Python一行代码完成并行任务

   <p>众所周知，Python的并行处理能力很不理想。我认为如果不考虑线程和GIL的标准参数(它们大多是合法的)，其原因不是因为技术不到位，而是我们的使用方法不恰当。大多数关于Python线程和多进程的教材虽然都很出色，但是内容繁琐冗长。它们的确在开篇铺陈了许多有用信息，但往往都不会涉及真正能提高日常工作的部分。</p>    <p><strong>经典例子</strong></p>    <p>DDG上以“Python threading tutorial (Python线程教程)”为关键字的热门搜索结果表明：几乎每篇文章中给出的例子都是相同的类+队列。</p>    <p>事实上，它们就是以下这段使用producer/Consumer来处理线程/多进程的代码示例：</p>    <pre>  <code class="language-python">#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()    </code></pre>    <p>唔…….感觉有点像Java。</p>    <p>我现在并不想说明使用Producer / Consume来解决线程/多进程的方法是错误的——因为它肯定正确，而且在很多情况下它是最佳方法。但我不认为这是平时写代码的最佳选择。</p>    <p><strong>它的问题所在(个人观点)</strong></p>    <p>首先，你需要创建一个样板式的铺垫类。然后，你再创建一个队列，通过其传递对象和监管队列的两端来完成任务。(如果你想实现数据的交换或存储，通常还涉及另一个队列的参与)。</p>    <p><strong>Worker越多，问题越多。</strong></p>    <p>接下来，你应该会创建一个worker类的pool来提高Python的速度。下面是IBM tutorial给出的较好的方法。这也是程序员们在利用多线程检索web页面时的常用方法。</p>    <pre>  <code class="language-python">#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()    </code></pre>    <p>它的确能运行，但是这些代码多么复杂阿!它包括了初始化方法、线程跟踪列表以及和我一样容易在死锁问题上出错的人的噩梦——大量的join语句。而这些还仅仅只是繁琐的开始!</p>    <p>我们目前为止都完成了什么?基本上什么都没有。上面的代码几乎一直都只是在进行传递。这是很基础的方法，很容易出错(该死，我刚才忘了在队列对象上还需要调用task_done()方法(但是我懒得修改了))，性价比很低。还好，我们还有更好的方法。</p>    <p><strong>介绍：Map</strong></p>    <p>Map是一个很棒的小功能，同时它也是Python并行代码快速运行的关键。给不熟悉的人讲解一下吧，map是从函数语言Lisp来的。map函数能够按序映射出另一个函数。例如</p>    <pre>  <code class="language-python">urls = ['http://www.yahoo.com', 'http://www.reddit.com']      results = map(urllib2.urlopen, urls)    </code></pre>    <p>这里调用urlopen方法来把调用结果全部按序返回并存储到一个列表里。就像：</p>    <pre>  <code class="language-python">results = []      for url in urls:      results.append(urllib2.urlopen(url))    </code></pre>    <p>Map按序处理这些迭代。调用这个函数，它就会返回给我们一个按序存储着结果的简易列表。</p>    <p>为什么它这么厉害呢?因为只要有了合适的库，map能使并行运行得十分流畅!</p>    <p style="text-align:center"><img src="https://simg.open-open.com/show/7b052673c3dcbf348d1e37532ad65f68.png"></p>    <p>有两个能够支持通过map函数来完成并行的库：一个是multiprocessing，另一个是鲜为人知但功能强大的子文件：multiprocessing.dummy。</p>    <p>题外话：这个是什么?你从来没听说过dummy多进程库?我也是最近才知道的。它在多进程的说明文档里面仅仅只被提到了一句。而且那一句就是大概让你知道有这么个东西的存在。我敢说，这样几近抛售的做法造成的后果是不堪设想的!</p>    <p>Dummy就是多进程模块的克隆文件。唯一不同的是，多进程模块使用的是进程，而dummy则使用线程(当然，它有所有Python常见的限制)。也就是说，数据由一个传递给另一个。这能够使得数据轻松的在这两个之间进行前进和回跃，特别是对于探索性程序来说十分有用，因为你不用确定框架调用到底是IO 还是CPU模式。</p>    <p><strong>准备开始</strong></p>    <p>要做到通过map函数来完成并行，你应该先导入装有它们的模块：</p>    <pre>  <code class="language-python">from multiprocessing import Pool      from multiprocessing.dummy import Pool as ThreadPool    </code></pre>    <p>再初始化:</p>    <pre>  <code class="language-python">pool = ThreadPool()   </code></pre>    <p>这简单的一句就能代替我们的build_worker_pool 函数在example2.py中的所有工作。换句话说，它创建了许多有效的worker，启动它们来为接下来的工作做准备，以及把它们存储在不同的位置，方便使用。</p>    <p>Pool对象需要一些参数，但最重要的是：进程。它决定pool中的worker数量。如果你不填的话，它就会默认为你电脑的内核数值。</p>    <p>如果你在CPU模式下使用多进程pool，通常内核数越大速度就越快(还有很多其它因素)。但是，当进行线程或者处理网络绑定之类的工作时，情况会比较复杂所以应该使用pool的准确大小。</p>    <pre>  <code class="language-python">pool = ThreadPool(4) # Sets the pool size to 4   </code></pre>    <p>如果你运行过多线程，多线程间的切换将会浪费许多时间，所以你最好耐心调试出最适合的任务数。</p>    <p>我们现在已经创建了pool对象，马上就能有简单的并行程序了，所以让我们重新写example2.py中的url opener吧!</p>    <pre>  <code class="language-python">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()    </code></pre>    <p>看吧!这次的代码仅用了4行就完成了所有的工作。其中3句还是简单的固定写法。调用map就能完成我们前面例子中40行的内容!为了更形象地表明两种方法的差异，我还分别给它们运行的时间计时。</p>    <p style="text-align:center"><img src="https://simg.open-open.com/show/c0add29e84fc5be6e06044c7843f0d49.jpg"></p>    <p>结果：</p>    <p style="text-align:center"><img src="https://simg.open-open.com/show/3cd7072facc80703151b684183825725.png"></p>    <p>相当出色!并且也表明了为什么要细心调试pool的大小。在这里，只要大于9，就能使其运行速度加快。</p>    <p><strong>实例2：</strong></p>    <p>生成成千上万的缩略图</p>    <p>我们在CPU模式下来完成吧!我工作中就经常需要处理大量的图像文件夹。其任务之一就是创建缩略图。这在并行任务中已经有很成熟的方法了。</p>    <p><strong>基础的单线程创建</strong></p>    <pre>  <code class="language-python">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)    </code></pre>    <p>对于一个例子来说，这是有点难，但本质上，这就是向程序传递一个文件夹，然后将其中的所有图片抓取出来，并最终在它们各自的目录下创建和储存缩略图。</p>    <p>我的电脑处理大约6000张图片用了27.9秒。</p>    <p>如果我们用并行调用map来代替for循环的话：</p>    <pre>  <code class="language-python">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(create_thumbnail,images)              pool.close()              pool.join()    </code></pre>    <p><strong>5.6秒!</strong></p>    <p>对于只改变了几行代码而言，这是大大地提升了运行速度。这个方法还能更快，只要你将cpu 和 io的任务分别用它们的进程和线程来运行——但也常造成死锁。总之，综合考虑到 map这个实用的功能，以及人为线程管理的缺失，我觉得这是一个美观，可靠还容易debug的方法。</p>    <p>好了，文章结束了。一行完成并行任务。</p>    <p> </p>    <p>来自：http://developer.51cto.com/art/201704/536983.htm</p>    <p> </p>