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：
-
#Example.py -
''' -
Standard Producer/Consumer Threading Pattern -
''' -
import time -
import threading -
import Queue -
class Consumer(threading.Thread): -
def __init__(self, queue): -
threading.Thread.__init__(self) -
self._queue = queue -
def run(self): -
while True: -
# queue.get() blocks the current thread until -
# an item is retrieved. -
msg = self._queue.get() -
# Checks if the current message is -
# the "Poison Pill" -
if isinstance(msg, str) and msg == 'quit': -
# if so, exists the loop -
break -
# "Processes" (or in our case, prints) the queue item -
print "I'm a thread, and I received %s!!" % msg -
# Always be friendly! -
print 'Bye byes!' -
def Producer(): -
# Queue is used to share items between -
# the threads. -
queue = Queue.Queue() -
# Create an instance of the worker -
worker = Consumer(queue) -
# start calls the internal run() method to -
# kick off the thread -
worker.start() -
# variable to keep track of when we started -
start_time = time.time() -
# While under 5 seconds.. -
while time.time() - start_time < 5: -
# "Produce" a piece of work and stick it in -
# the queue for the Consumer to process -
queue.put('something at %s' % time.time()) -
# Sleep a bit just to avoid an absurd number of messages -
time.sleep(1) -
# This the "poison pill" method of killing a thread. -
queue.put('quit') -
# wait for the thread to close down -
worker.join() -
if __name__ == '__main__': -
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。
-
#Example2.py -
''' -
A more realistic thread pool example -
''' -
import time -
import threading -
import Queue -
import urllib2 -
class Consumer(threading.Thread): -
def __init__(self, queue): -
threading.Thread.__init__(self) -
self._queue = queue -
def run(self): -
while True: -
content = self._queue.get() -
if isinstance(content, str) and content == 'quit': -
break -
response = urllib2.urlopen(content) -
print 'Bye byes!' -
def Producer(): -
urls = [ -
'http://www.python.org', 'http://www.yahoo.com' -
'http://www.scala.org', 'http://www.google.com' -
# etc.. -
] -
queue = Queue.Queue() -
worker_threads = build_worker_pool(queue, 4) -
start_time = time.time() -
# Add the urls to process -
for url in urls: -
queue.put(url) -
# Add the poison pillv -
for worker in worker_threads: -
queue.put('quit') -
for worker in worker_threads: -
worker.join() -
print 'Done! Time taken: {}'.format(time.time() - start_time) -
def build_worker_pool(queue, size): -
workers = [] -
for _ in range(size): -
worker = Consumer(queue) -
worker.start() -
workers.append(worker) -
return workers -
if __name__ == '__main__': -
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。
-
urls = ['http://www.yahoo.com', 'http://www.reddit.com'] -
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：
-
results = [] -
for url in urls: -
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：
-
from multiprocessing import Pool -
from multiprocessing.dummy import Pool as ThreadPool
实例化 Pool 对象：
-
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
-
import urllib2 -
from multiprocessing.dummy import Pool as ThreadPool -
urls = [ -
'http://www.python.org', -
'http://www.python.org/about/', -
'http://www.onlamp.com/pub/a/python/2003/04/17/metaclasses.html', -
'http://www.python.org/doc/', -
'http://www.python.org/download/', -
'http://www.python.org/getit/', -
'http://www.python.org/community/', -
'https://wiki.python.org/moin/', -
'http://planet.python.org/', -
'https://wiki.python.org/moin/LocalUserGroups', -
'http://www.python.org/psf/', -
'http://docs.python.org/devguide/', -
'http://www.python.org/community/awards/' -
# etc.. -
] -
# Make the Pool of workers -
pool = ThreadPool(4) -
# Open the urls in their own threads -
# and return the results -
results = pool.map(urllib2.urlopen, urls) -
#close the pool and wait for the work to finish -
pool.close() -
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。
-
# results = [] -
# for url in urls: -
# result = urllib2.urlopen(url) -
# results.append(result) -
# # ------- VERSUS ------- # -
# # ------- 4 Pool ------- # -
# pool = ThreadPool(4) -
# results = pool.map(urllib2.urlopen, urls) -
# # ------- 8 Pool ------- # -
# pool = ThreadPool(8) -
# results = pool.map(urllib2.urlopen, urls) -
# # ------- 13 Pool ------- # -
# pool = ThreadPool(13) -
# results = pool.map(urllib2.urlopen, urls)
结果：
-
# Single thread: 14.4 Seconds -
# 4 Pool: 3.1 Seconds -
# 8 Pool: 1.4 Seconds -
# 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
-
import os -
import PIL -
from multiprocessing import Pool -
from PIL import Image -
SIZE = (75,75) -
SAVE_DIRECTORY = 'thumbs' -
def get_image_paths(folder): -
return (os.path.join(folder, f) -
for f in os.listdir(folder) -
if 'jpeg' in f) -
def create_thumbnail(filename): -
im = Image.open(filename) -
im.thumbnail(SIZE, Image.ANTIALIAS) -
base, fname = os.path.split(filename) -
save_path = os.path.join(base, SAVE_DIRECTORY, fname) -
im.save(save_path) -
if __name__ == '__main__': -
folder = os.path.abspath( -
'11_18_2013_R000_IQM_Big_Sur_Mon__e10d1958e7b766c3e840') -
os.mkdir(os.path.join(folder, SAVE_DIRECTORY)) -
images = get_image_paths(folder) -
for image in images: -
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：
-
import os -
import PIL -
from multiprocessing import Pool -
from PIL import Image -
SIZE = (75,75) -
SAVE_DIRECTORY = 'thumbs' -
def get_image_paths(folder): -
return (os.path.join(folder, f) -
for f in os.listdir(folder) -
if 'jpeg' in f) -
def create_thumbnail(filename): -
im = Image.open(filename) -
im.thumbnail(SIZE, Image.ANTIALIAS) -
base, fname = os.path.split(filename) -
save_path = os.path.join(base, SAVE_DIRECTORY, fname) -
im.save(save_path) -
if __name__ == '__main__': -
folder = os.path.abspath( -
'11_18_2013_R000_IQM_Big_Sur_Mon__e10d1958e7b766c3e840') -
os.mkdir(os.path.join(folder, SAVE_DIRECTORY)) -
images = get_image_paths(folder) -
pool = Pool() -
pool.map(creat_thumbnail, images) -
pool.close() -
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。