如何使用Python 简单实现并行化？

转自：微点阅读   https://www.weidianyuedu.com

Python 在程序并行化方面多少有些声名狼藉。撇开技术上的问题，例如线程的实现和 GIL，我觉得错误的教学指导才是主要问题。常见的经典 Python 多线程、多进程教程多显得偏"重"。而且往往隔靴搔痒，没有深入探讨日常工作中最有用的内容。

传统的例子

简单搜索下"Python 多线程教程"，不难发现几乎所有的教程都给出涉及类和队列的例子：

1. import os

2. import PIL

4. from multiprocessing importPool

5. from PIL importImage

7. SIZE = (75,75)

8. SAVE_DIRECTORY = "thumbs"

10. def get_image_paths(folder):

11. return(os.path.join(folder, f)

12. for f in os.listdir(folder)

13. if"jpeg"in f)

15. def create_thumbnail(filename):

16. im = Image.open(filename)

17. im.thumbnail(SIZE, Image.ANTIALIAS)

18. base, fname = os.path.split(filename)

19. save_path = os.path.join(base, SAVE_DIRECTORY, fname)

20. im.save(save_path)

22. if __name__ == "__main__":

23. folder = os.path.abspath(

24. "11_18_2013_R000_IQM_Big_Sur_Mon__e10d1958e7b766c3e840")

25. os.mkdir(os.path.join(folder, SAVE_DIRECTORY))

27. images = get_image_paths(folder)

29. pool = Pool()

30. pool.map(creat_thumbnail, images)

31. pool.close()

32. pool.join()

哈，看起来有些像 Java 不是吗？

我并不是说使用生产者/消费者模型处理多线程/多进程任务是错误的（事实上，这一模型自有其用武之地）。只是，处理日常脚本任务时我们可以使用更有效率的模型。

问题在于…

首先，你需要一个样板类；其次，你需要一个队列来传递对象；而且，你还需要在通道两端都构建相应的方法来协助其工作（如果需想要进行双向通信或是保存结果还需要再引入一个队列）。

worker 越多，问题越多

按照这一思路，你现在需要一个 worker 线程的线程池。下面是一篇 IBM 经典教程中的例子——在进行网页检索时通过多线程进行加速。

1. #Example2.py

2. """

3. A more realistic thread pool example

4. """

6. import time

7. import threading

8. importQueue

9. import urllib2

11. classConsumer(threading.Thread):

12. def __init__(self, queue):

13. threading.Thread.__init__(self)

14. self._queue = queue

16. def run(self):

17. whileTrue:

18. content = self._queue.get()

19. if isinstance(content, str) and content == "quit":

20. break

21. response = urllib2.urlopen(content)

22. print"Bye byes!"

24. defProducer():

25. urls = [

26. "http://www.python.org", "http://www.yahoo.com"

27. "http://www.scala.org", "http://www.google.com"

28. # etc..

29. ]

30. queue = Queue.Queue()

31. worker_threads = build_worker_pool(queue, 4)

32. start_time = time.time()

34. # Add the urls to process

35. for url in urls:

36. queue.put(url)

37. # Add the poison pillv

38. for worker in worker_threads:

39. queue.put("quit")

40. for worker in worker_threads:

41. worker.join()

43. print"Done! Time taken: {}".format(time.time() - start_time)

45. def build_worker_pool(queue, size):

46. workers = []

47. for _ in range(size):

48. worker = Consumer(queue)

49. worker.start()

50. workers.append(worker)

51. return workers

53. if __name__ == "__main__":

54. Producer()

这段代码能正确的运行，但仔细看看我们需要做些什么：构造不同的方法、追踪一系列的线程，还有为了解决恼人的死锁问题，我们需要进行一系列的 join 操作。这还只是开始……

至此我们回顾了经典的多线程教程，多少有些空洞不是吗？样板化而且易出错，这样事倍功半的风格显然不那么适合日常使用，好在我们还有更好的方法。

何不试试 map

map 这一小巧精致的函数是简捷实现 Python 程序并行化的关键。map 源于 Lisp 这类函数式编程语言。它可以通过一个序列实现两个函数之间的映射。

1. urls = ["http://www.yahoo.com", "http://www.reddit.com"]

2. results = map(urllib2.urlopen, urls)

上面的这两行代码将 urls 这一序列中的每个元素作为参数传递到 urlopen 方法中，并将所有结果保存到 results 这一列表中。其结果大致相当于：

1. results = []

2. for url in urls:

3. results.append(urllib2.urlopen(url))

map 函数一手包办了序列操作、参数传递和结果保存等一系列的操作。

为什么这很重要呢？这是因为借助正确的库，map 可以轻松实现并行化操作。

在 Python 中有个两个库包含了 map 函数：multiprocessing 和它鲜为人知的子库 multiprocessing.dummy.

这里多扯两句：multiprocessing.dummy？mltiprocessing 库的线程版克隆？这是虾米？即便在 multiprocessing 库的官方文档里关于这一子库也只有一句相关描述。而这句描述译成人话基本就是说:"嘛，有这么个东西，你知道就成."相信我，这个库被严重低估了！

dummy 是 multiprocessing 模块的完整克隆，唯一的不同在于 multiprocessing 作用于进程，而 dummy 模块作用于线程（因此也包括了 Python 所有常见的多线程限制）。所以替换使用这两个库异常容易。你可以针对 IO 密集型任务和 CPU 密集型任务来选择不同的库。

动手尝试

使用下面的两行代码来引用包含并行化 map 函数的库：

1. from multiprocessing importPool

2. from multiprocessing.dummy importPoolasThreadPool

实例化 Pool 对象：

1. pool = ThreadPool()

这条简单的语句替代了 example2.py 中 buildworkerpool 函数 7 行代码的工作。它生成了一系列的 worker 线程并完成初始化工作、将它们储存在变量中以方便访问。

Pool 对象有一些参数，这里我所需要关注的只是它的第一个参数：processes. 这一参数用于设定线程池中的线程数。其默认值为当前机器 CPU 的核数。

一般来说，执行 CPU 密集型任务时，调用越多的核速度就越快。但是当处理网络密集型任务时，事情有有些难以预计了，通过实验来确定线程池的大小才是明智的。

pool = ThreadPool(4) # Sets the pool size to 4 线程数过多时，切换线程所消耗的时间甚至会超过实际工作时间。对于不同的工作，通过尝试来找到线程池大小的最优值是个不错的主意。

创建好 Pool 对象后，并行化的程序便呼之欲出了。我们来看看改写后的 example2.py

1. import urllib2

2. from multiprocessing.dummy importPoolasThreadPool

4. urls = [

5. "http://www.python.org",

6. "http://www.python.org/about/",

7. "http://www.onlamp.com/pub/a/python/2003/04/17/metaclasses.html",

8. "http://www.python.org/doc/",

9. "http://www.python.org/download/",

10. "http://www.python.org/getit/",

11. "http://www.python.org/community/",

12. "https://wiki.python.org/moin/",

13. "http://planet.python.org/",

14. "https://wiki.python.org/moin/LocalUserGroups",

15. "http://www.python.org/psf/",

16. "http://docs.python.org/devguide/",

17. "http://www.python.org/community/awards/"

18. # etc..

19. ]

21. # Make the Pool of workers

22. pool = ThreadPool(4)

23. # Open the urls in their own threads

24. # and return the results

25. results = pool.map(urllib2.urlopen, urls)

26. #close the pool and wait for the work to finish

27. pool.close()

28. pool.join()

29. 实际起作用的代码只有 4行，其中只有一行是关键的。map 函数轻而易举的取代了前文中超过 40行的例子。为了更有趣一些，我统计了不同方法、不同线程池大小的耗时情况。

31. # results = []

32. # for url in urls:

33. # result = urllib2.urlopen(url)

34. # results.append(result)

36. # # ------- VERSUS ------- #

38. # # ------- 4 Pool ------- #

39. # pool = ThreadPool(4)

40. # results = pool.map(urllib2.urlopen, urls)

42. # # ------- 8 Pool ------- #

44. # pool = ThreadPool(8)

45. # results = pool.map(urllib2.urlopen, urls)

47. # # ------- 13 Pool ------- #

49. # pool = ThreadPool(13)

50. # results = pool.map(urllib2.urlopen, urls)

结果：

1. # Single thread: 14.4 Seconds

2. # 4 Pool: 3.1 Seconds

3. # 8 Pool: 1.4 Seconds

4. # 13 Pool: 1.3 Seconds

很棒的结果不是吗？这一结果也说明了为什么要通过实验来确定线程池的大小。在我的机器上当线程池大小大于 9 带来的收益就十分有限了。

另一个真实的例子

生成上千张图片的缩略图 这是一个 CPU 密集型的任务，并且十分适合进行并行化。

基础单进程版本

1. import os

2. import PIL

4. from multiprocessing importPool

5. from PIL importImage

7. SIZE = (75,75)

8. SAVE_DIRECTORY = "thumbs"

10. def get_image_paths(folder):

11. return(os.path.join(folder, f)

12. for f in os.listdir(folder)

13. if"jpeg"in f)

15. def create_thumbnail(filename):

16. im = Image.open(filename)

17. im.thumbnail(SIZE, Image.ANTIALIAS)

18. base, fname = os.path.split(filename)

19. save_path = os.path.join(base, SAVE_DIRECTORY, fname)

20. im.save(save_path)

22. if __name__ == "__main__":

23. folder = os.path.abspath(

24. "11_18_2013_R000_IQM_Big_Sur_Mon__e10d1958e7b766c3e840")

25. os.mkdir(os.path.join(folder, SAVE_DIRECTORY))

27. images = get_image_paths(folder)

29. for image in images:

30. create_thumbnail(Image)

上边这段代码的主要工作就是将遍历传入的文件夹中的图片文件，一一生成缩略图，并将这些缩略图保存到特定文件夹中。

这我的机器上，用这一程序处理 6000 张图片需要花费 27.9 秒。

如果我们使用 map 函数来代替 for 循环：

1. import os

2. import PIL

4. from multiprocessing importPool

5. from PIL importImage

7. SIZE = (75,75)

8. SAVE_DIRECTORY = "thumbs"

10. def get_image_paths(folder):

11. return(os.path.join(folder, f)

12. for f in os.listdir(folder)

13. if"jpeg"in f)

15. def create_thumbnail(filename):

16. im = Image.open(filename)

17. im.thumbnail(SIZE, Image.ANTIALIAS)

18. base, fname = os.path.split(filename)

19. save_path = os.path.join(base, SAVE_DIRECTORY, fname)

20. im.save(save_path)

22. if __name__ == "__main__":

23. folder = os.path.abspath(

24. "11_18_2013_R000_IQM_Big_Sur_Mon__e10d1958e7b766c3e840")

25. os.mkdir(os.path.join(folder, SAVE_DIRECTORY))

27. images = get_image_paths(folder)

29. pool = Pool()

30. pool.map(creat_thumbnail, images)

31. pool.close()

32. pool.join()

5.6 秒！

虽然只改动了几行代码，我们却明显提高了程序的执行速度。在生产环境中，我们可以为 CPU 密集型任务和 IO 密集型任务分别选择多进程和多线程库来进一步提高执行速度——这也是解决死锁问题的良方。此外，由于 map 函数并不支持手动线程管理，反而使得相关的 debug 工作也变得异常简单。

到这里，我们就实现了（基本）通过一行 Python 实现并行化。

最后

以上就是怕黑台灯最近收集整理的关于如何使用Python 简单实现并行化？的全部内容，更多相关如何使用Python内容请搜索靠谱客的其他文章。