前言
Python 在程式并行化方面多少有些聲名狼藉，撇開技術上的問題，例如執行緒的實作和 GIL，我覺得錯誤的教學指導才是主要問
題，常見的經典 Python 多執行緒、多行程教程多顯得偏"重"，而且往往隔靴搔癢，沒有深入探討日常作業中最有用的內容，
傳統的例子
簡單搜索下"Python 多執行緒教程"，不難發現幾乎所有的教程都給出涉及類和佇列的例子：
Python學習交流Q群：906715085### 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()
哈，看起來有些像 Java 不是嗎？
我并不是說使用生產者/消費者模型處理多執行緒/多行程任務是錯誤的（事實上，這一模型自有其用武之地），只是，處理日常腳本
任務時我們可以使用更有效率的模型，
問題在于…
首先，你需要一個樣板類；
其次，你需要一個佇列來傳遞物件；
而且，你還需要在通道兩端都構建相應的方法來協助其作業（如果需想要進行雙向通信或是保存結果還需要再引入一個佇列），
worker 越多，問題越多
按照這一思路，你現在需要一個 worker 執行緒的執行緒池，下面是一篇 IBM 經典教程中的例子——在進行網頁檢索時通過多執行緒進
行加速，
Python學習交流Q群：906715085### #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()
這段代碼能正確的運行，但仔細看看我們需要做些什么：構造不同的方法、追蹤一系列的執行緒，還有為了解決惱人的死鎖問題，
我們需要進行一系列的 join 操作，這還只是開始……
至此我們回顧了經典的多執行緒教程，多少有些空洞不是嗎？樣板化而且易出錯，這樣事倍功半的風格顯然不那么適合日常使用，
好在我們還有更好的方法，
何不試試 map
map 這一小巧精致的函式是簡捷實作 Python 程式并行化的關鍵，map 源于 Lisp 這類函式式編程語言，它可以通過一個序列實作
兩個函式之間的映射，
urls = [‘http://www.yahoo.com’, ‘http://www.reddit.com’]
results = map(urllib2.urlopen, urls)
上面的這兩行代碼將 urls 這一序列中的每個元素作為引數傳遞到 urlopen 方法中，并將所有結果保存到 results 這一串列中，其結
果大致相當于：
results = [] for url in urls: results.append(urllib2.urlopen(url))
map 函式一手包辦了序列操作、引數傳遞和結果保存等一系列的操作，
為什么這很重要呢？這是因為借助正確的庫，map 可以輕松實作并行化操作，
在 Python 中有個兩個庫包含了 map 函式：multiprocessing 和它鮮為人知的子庫 multiprocessing.dummy.
這里多扯兩句：multiprocessing.dummy？mltiprocessing 庫的執行緒版克隆？這是蝦米？即便在 multiprocessing 庫的官方檔案里關
于這一子庫也只有一句相關描述，而這句描述譯成人話基本就是說:"嘛，有這么個東西，你知道就成."相信我，這個庫被嚴重低估
了！
dummy 是 multiprocessing 模塊的完整克隆，唯一的不同在于 multiprocessing 作用于行程，而 dummy 模塊作用于執行緒（因此也
包括了 Python 所有常見的多執行緒限制），
所以替換使用這兩個庫例外容易，你可以針對 IO 密集型任務和 CPU 密集型任務來選擇不同的庫，
動手嘗試
使用下面的兩行代碼來參考包含并行化 map 函式的庫：
from multiprocessing import Pool from multiprocessing.dummy import Pool as ThreadPool
實體化 Pool 物件：
pool = ThreadPool()
這條簡單的陳述句替代了 example2.py 中 buildworkerpool 函式 7 行代碼的作業，它生成了一系列的 worker 執行緒并完成初始化工
作、將它們儲存在變數中以方便訪問，
Pool 物件有一些引數，這里我所需要關注的只是它的第一個引數：processes. 這一引數用于設定執行緒池中的執行緒數，其默認值為
當前機器 CPU 的核數，
一般來說，執行 CPU 密集型任務時，呼叫越多的核速度就越快，但是當處理網路密集型任務時，事情有有些難以預計了，通過實
驗來確定執行緒池的大小才是明智的，
pool = ThreadPool(4) # Sets the pool size to 4
執行緒數過多時，切換執行緒所消耗的時間甚至會超過實際作業時間，對于不同的作業，通過嘗試來找到執行緒池大小的最優值是個不
錯的主意，
創建好 Pool 物件后，并行化的程式便呼之欲出了，我們來看看改寫后的 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()
實際起作用的代碼只有 4 行，其中只有一行是關鍵的，map 函式輕而易舉的取代了前文中超過 40 行的例子，為了更有趣一些，
我統計了不同方法、不同執行緒池大小的耗時情況，
# 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) 結果： # Single thread: 14.4 Seconds # 4 Pool: 3.1 Seconds # 8 Pool: 1.4 Seconds # 13 Pool: 1.3 Seconds
很棒的結果不是嗎？這一結果也說明了為什么要通過實驗來確定執行緒池的大小，在我的機器上當執行緒池大小大于 9 帶來的收益就
十分有限了，
另一個真實的例子
生成上千張圖片的縮略圖
這是一個 CPU 密集型的任務，并且十分適合進行并行化，
基礎單行程版本
Python學習交流Q群：906715085#### 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)
上邊這段代碼的主要作業就是將遍歷傳入的檔案夾中的圖片檔案，一一生成縮略圖，并將這些縮略圖保存到特定檔案夾中，
這我的機器上，用這一程式處理 6000 張圖片需要花費 27.9 秒，
如果我們使用 map 函式來代替 for 回圈：
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！
雖然只改動了幾行代碼，我們卻明顯提高了程式的執行速度，在生產環境中，我們可以為 CPU 密集型任務和 IO 密集型任務分別
選擇多行程和多執行緒庫來進一步提高執行速度——這也是解決死鎖問題的良方，此外，由于 map 函式并不支持手動執行緒管理，反
而使得相關的 debug 作業也變得例外簡單，
到這里，我們就實作了（基本）通過一行 Python 實作并行化，
轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/465976.html
標籤：其他