教你用一行Python代码实现并行（转）

教你用一行Python代码实现并行

本文教你通过一行Python实现并行化。

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. #Example.py

2. '''

3. Standard Producer/Consumer Threading Pattern

4. '''

6. import time

7. import threading

8. import Queue

10. class Consumer(threading.Thread):

11.    def __init__(self, queue):

12.        threading.Thread.__init__(self)

13.        self._queue = queue

15.    def run(self):

16.        while True:

17.            # queue.get() blocks the current thread until

18.            # an item is retrieved.

19.            msg = self._queue.get()

20.            # Checks if the current message is

21.            # the "Poison Pill"

22.            if isinstance(msg, str) and msg == 'quit':

23.                # if so, exists the loop

24.                break

25.            # "Processes" (or in our case, prints) the queue item  

26.            print "I'm a thread, and I received %s!!" % msg

27.        # Always be friendly!

28.        print 'Bye byes!'

31. def Producer():

32.    # Queue is used to share items between

33.    # the threads.

34.    queue = Queue.Queue()

36.    # Create an instance of the worker

37.    worker = Consumer(queue)

38.    # start calls the internal run() method to

39.    # kick off the thread

40.    worker.start()

42.    # variable to keep track of when we started

43.    start_time = time.time()

44.    # While under 5 seconds..

45.    while time.time() - start_time < 5:

46.        # "Produce" a piece of work and stick it in

47.        # the queue for the Consumer to process

48.        queue.put('something at %s' % time.time())

49.        # Sleep a bit just to avoid an absurd number of messages

50.        time.sleep(1)

52.    # This the "poison pill" method of killing a thread.

53.    queue.put('quit')

54.    # wait for the thread to close down

55.    worker.join()

58. if __name__ == '__main__':

59.    Producer()

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. import Queue

9. import urllib2

11. class Consumer(threading.Thread):

12.    def __init__(self, queue):

13.        threading.Thread.__init__(self)

14.        self._queue = queue

16.    def run(self):

17.        while True:

18.            content = self._queue.get()

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

20.                break

21.            response = urllib2.urlopen(content)

22.        print 'Bye byes!'

25. def Producer():

26.    urls = [

27.        'http://www.python.org', 'http://www.yahoo.com'

28.        'http://www.scala.org', 'http://www.google.com'

29.        # etc..

30.    ]

31.    queue = Queue.Queue()

32.    worker_threads = build_worker_pool(queue, 4)

33.    start_time = time.time()

35.    # Add the urls to process

36.    for url in urls:

37.        queue.put(url)  

38.    # Add the poison pillv

39.    for worker in worker_threads:

40.        queue.put('quit')

41.    for worker in worker_threads:

42.        worker.join()

44.    print 'Done! Time taken: {}'.format(time.time() - start_time)

46. def build_worker_pool(queue, size):

47.    workers = []

48.    for _ in range(size):

49.        worker = Consumer(queue)

50.        worker.start()

51.        workers.append(worker)

52.    return workers

54. if __name__ == '__main__':

55.    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 import Pool

2. from multiprocessing.dummy import Pool as ThreadPool

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。

1. 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 import Pool as ThreadPool

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()

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。

1. # results = []

2. # for url in urls:

3. #   result = urllib2.urlopen(url)

4. #   results.append(result)

6. # # ------- VERSUS ------- #

9. # # ------- 4 Pool ------- #

10. # pool = ThreadPool(4)

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

13. # # ------- 8 Pool ------- #

15. # pool = ThreadPool(8)

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

18. # # ------- 13 Pool ------- #

20. # pool = ThreadPool(13)

21. # 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 import Pool

5. from PIL import Image

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 import Pool

5. from PIL import Image

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。