Python代码便利并行

红太狼 2024-03-26 18:43 18阅读 0赞

![a814acf04d631dce3ef503fa2fcbe0e1.jpeg][]

[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][Link 1]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][Link 2]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

1.  import PIL

1.  from multiprocessing importPool

1.  from PIL importImage

1.  SIZE = (75,75)

1.  SAVE\_DIRECTORY = "thumbs"

1.  def get\_image\_paths(folder):

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

1.  for f in os.listdir(folder)

1.  if"jpeg"in f)

1.  def create\_thumbnail(filename):

1.  im = Image.open(filename)

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

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

1.  save\_path = os.path.join(base, SAVE\_DIRECTORY, fname)

1.  im.save(save\_path)

1.  if \_\_name\_\_ == "\_\_main\_\_":

1.  folder = os.path.abspath(

1.  "11\_18\_2013\_R000\_IQM\_Big\_Sur\_Mon\_\_e10d1958e7b766c3e840")

1.  os.mkdir(os.path.join(folder, SAVE\_DIRECTORY))

1.  images = get\_image\_paths(folder)

1.  pool = Pool()

1.  pool.map(creat\_thumbnail, images)

1.  pool.close()

1.  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

1.  """

1.  A more realistic thread pool example

1.  """

1.  import time

1.  import threading

1.  importQueue

1.  import urllib2

1.  classConsumer(threading.Thread):

1.  def \_\_init\_\_(self, queue):

1.  threading.Thread.\_\_init\_\_(self)

1.  self.\_queue = queue

1.  def run(self):

1.  whileTrue:

1.  content = self.\_queue.get()

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

1.  break

1.  response = urllib2.urlopen(content)

1.  print"Bye byes!"

1.  defProducer():

1.  urls = \[

1.  "[http://www.python.org][http_www.python.org]", "[http://www.yahoo.com][http_www.yahoo.com]"

1.  "[http://www.scala.org][http_www.scala.org]", "[http://www.google.com][http_www.google.com]"

1.  \# etc..

1.  \]

1.  queue = Queue.Queue()

1.  worker\_threads = build\_worker\_pool(queue, 4)

1.  start\_time = time.time()

1.  \# Add the urls to process

1.  for url in urls:

1.  queue.put(url)

1.  \# Add the poison pillv

1.  for worker in worker\_threads:

1.  queue.put("quit")

1.  for worker in worker\_threads:

1.  worker.join()

1.  print"Done! Time taken: \{\}".format(time.time() - start\_time)

1.  def build\_worker\_pool(queue, size):

1.  workers = \[\]

1.  for \_ in range(size):

1.  worker = Consumer(queue)

1.  worker.start()

1.  workers.append(worker)

1.  return workers

1.  if \_\_name\_\_ == "\_\_main\_\_":

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

1.  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 = \[\]

1.  for url in urls:

1.  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

1.  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

1.  from multiprocessing.dummy importPoolasThreadPool

1.  urls = \[

1.  "[http://www.python.org][http_www.python.org]",

1.  "[http://www.python.org/about/",][http_www.python.org_about]

1.  "[http://www.onlamp.com/pub/a/python/2003/04/17/metaclasses.html",][http_www.onlamp.com_pub_a_python_2003_04_17_metaclasses.html]

1.  "[http://www.python.org/doc/",][http_www.python.org_doc]

1.  "[http://www.python.org/download/",][http_www.python.org_download]

1.  "[http://www.python.org/getit/",][http_www.python.org_getit]

1.  "[http://www.python.org/community/",][http_www.python.org_community]

1.  "[https://wiki.python.org/moin/",][https_wiki.python.org_moin]

1.  "[http://planet.python.org/",][http_planet.python.org]

1.  "[https://wiki.python.org/moin/LocalUserGroups",][https_wiki.python.org_moin_LocalUserGroups]

1.  "[http://www.python.org/psf/",][http_www.python.org_psf]

1.  "[http://docs.python.org/devguide/",][http_docs.python.org_devguide]

1.  "[http://www.python.org/community/awards/"][http_www.python.org_community_awards]

1.  \# etc..

1.  \]

1.  \# Make the Pool of workers

1.  pool = ThreadPool(4)

1.  \# Open the urls in their own threads

1.  \# and return the results

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

1.  \#close the pool and wait for the work to finish

1.  pool.close()

1.  pool.join()

1.  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 = \[\]

1.  \# for url in urls:

1.  \# result = urllib2.urlopen(url)

1.  \# results.append(result)

1.  \# \# ------- VERSUS ------- \#

1.  \# \# ------- 4 Pool ------- \#

1.  \# pool = ThreadPool(4)

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

1.  \# \# ------- 8 Pool ------- \#

1.  \# pool = ThreadPool(8)

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

1.  \# \# ------- 13 Pool ------- \#

1.  \# pool = ThreadPool(13)

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

结果：

1.  \# Single thread: 14.4 Seconds

1.  \# 4 Pool: 3.1 Seconds

1.  \# 8 Pool: 1.4 Seconds

1.  \# 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

1.  import PIL

1.  from multiprocessing importPool

1.  from PIL importImage

1.  SIZE = (75,75)

1.  SAVE\_DIRECTORY = "thumbs"

1.  def get\_image\_paths(folder):

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

1.  for f in os.listdir(folder)

1.  if"jpeg"in f)

1.  def create\_thumbnail(filename):

1.  im = Image.open(filename)

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

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

1.  save\_path = os.path.join(base, SAVE\_DIRECTORY, fname)

1.  im.save(save\_path)

1.  if \_\_name\_\_ == "\_\_main\_\_":

1.  folder = os.path.abspath(

1.  "11\_18\_2013\_R000\_IQM\_Big\_Sur\_Mon\_\_e10d1958e7b766c3e840")

1.  os.mkdir(os.path.join(folder, SAVE\_DIRECTORY))

1.  images = get\_image\_paths(folder)

1.  for image in images:

1.  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

1.  import PIL

1.  from multiprocessing importPool

1.  from PIL importImage

1.  SIZE = (75,75)

1.  SAVE\_DIRECTORY = "thumbs"

1.  def get\_image\_paths(folder):

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

1.  for f in os.listdir(folder)

1.  if"jpeg"in f)

1.  def create\_thumbnail(filename):

1.  im = Image.open(filename)

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

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

1.  save\_path = os.path.join(base, SAVE\_DIRECTORY, fname)

1.  im.save(save\_path)

1.  if \_\_name\_\_ == "\_\_main\_\_":

1.  folder = os.path.abspath(

1.  "11\_18\_2013\_R000\_IQM\_Big\_Sur\_Mon\_\_e10d1958e7b766c3e840")

1.  os.mkdir(os.path.join(folder, SAVE\_DIRECTORY))

1.  images = get\_image\_paths(folder)

1.  pool = Pool()

1.  pool.map(creat\_thumbnail, images)

1.  pool.close()

1.  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。

来源：[https://www.weidianyuedu.com][https_www.weidianyuedu.com]

[a814acf04d631dce3ef503fa2fcbe0e1.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/9688c306a98a4f928327cb815c14f12e.png
[Python]: https://so.csdn.net/so/search?q=Python&spm=1001.2101.3001.7020
[Link 1]: https://so.csdn.net/so/search?q=%E5%A4%9A%E8%BF%9B%E7%A8%8B&spm=1001.2101.3001.7020
[Link 2]: https://so.csdn.net/so/search?q=%E5%A4%9A%E7%BA%BF%E7%A8%8B&spm=1001.2101.3001.7020
[IBM]: https://so.csdn.net/so/search?q=IBM&spm=1001.2101.3001.7020
[http_www.python.org]: http://www.python.org
[http_www.yahoo.com]: http://www.yahoo.com
[http_www.scala.org]: http://www.scala.org
[http_www.google.com]: http://www.google.com
[http_www.reddit.com]: http://www.reddit.com
[multiprocessing]: https://so.csdn.net/so/search?q=multiprocessing&spm=1001.2101.3001.7020
[http_www.python.org_about]: http://www.python.org/about/
[http_www.onlamp.com_pub_a_python_2003_04_17_metaclasses.html]: http://www.onlamp.com/pub/a/python/2003/04/17/metaclasses.html
[http_www.python.org_doc]: http://www.python.org/doc/
[http_www.python.org_download]: http://www.python.org/download/
[http_www.python.org_getit]: http://www.python.org/getit/
[http_www.python.org_community]: http://www.python.org/community/
[https_wiki.python.org_moin]: https://wiki.python.org/moin/
[http_planet.python.org]: http://planet.python.org/
[https_wiki.python.org_moin_LocalUserGroups]: https://wiki.python.org/moin/LocalUserGroups
[http_www.python.org_psf]: http://www.python.org/psf/
[http_docs.python.org_devguide]: http://docs.python.org/devguide/
[http_www.python.org_community_awards]: http://www.python.org/community/awards/
[https_www.weidianyuedu.com]: https://www.weidianyuedu.com