Python一行代碼完成并行任務(wù)

作者：佚名 2017-04-13 19:20:18

眾所周知，Python的并行處理能力很不理想。我認(rèn)為如果不考慮線程和GIL的標(biāo)準(zhǔn)參數(shù)(它們大多是合法的)，其原因不是因為技術(shù)不到位，而是我們的使用方法不恰當(dāng)。大多數(shù)關(guān)于Python線程和多進程的教材雖然都很出色，但是內(nèi)容繁瑣冗長。它們的確在開篇鋪陳了許多有用信息，但往往都不會涉及真正能提高日常工作的部分。

經(jīng)典例子

DDG上以“Python threading tutorial (Python線程教程)”為關(guān)鍵字的熱門搜索結(jié)果表明：幾乎每篇文章中給出的例子都是相同的類+隊列。

事實上，它們就是以下這段使用producer/Consumer來處理線程/多進程的代碼示例：

#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()

唔…….感覺有點像Java。

我現(xiàn)在并不想說明使用Producer / Consume來解決線程/多進程的方法是錯誤的——因為它肯定正確，而且在很多情況下它是最佳方法。但我不認(rèn)為這是平時寫代碼的最佳選擇。

它的問題所在(個人觀點)

首先，你需要創(chuàng)建一個樣板式的鋪墊類。然后，你再創(chuàng)建一個隊列，通過其傳遞對象和監(jiān)管隊列的兩端來完成任務(wù)。(如果你想實現(xiàn)數(shù)據(jù)的交換或存儲，通常還涉及另一個隊列的參與)。

Worker越多，問題越多。

接下來，你應(yīng)該會創(chuàng)建一個worker類的pool來提高Python的速度。下面是IBM tutorial給出的較好的方法。這也是程序員們在利用多線程檢索web頁面時的常用方法。

#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&#039;, &#039;http://www.yahoo.com", 
 
        "http://www.scala.org&#039;, &#039;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__ == &#039;__main__&#039;: 
 
    Producer()

它的確能運行，但是這些代碼多么復(fù)雜阿!它包括了初始化方法、線程跟蹤列表以及和我一樣容易在死鎖問題上出錯的人的噩夢——大量的join語句。而這些還僅僅只是繁瑣的開始!

我們目前為止都完成了什么?基本上什么都沒有。上面的代碼幾乎一直都只是在進行傳遞。這是很基礎(chǔ)的方法，很容易出錯(該死，我剛才忘了在隊列對象上還需要調(diào)用task_done()方法(但是我懶得修改了))，性價比很低。還好，我們還有更好的方法。

介紹：Map

Map是一個很棒的小功能，同時它也是Python并行代碼快速運行的關(guān)鍵。給不熟悉的人講解一下吧，map是從函數(shù)語言Lisp來的。map函數(shù)能夠按序映射出另一個函數(shù)。例如

urls = ['http://www.yahoo.com', 'http://www.reddit.com'] 
 
results = map(urllib2.urlopen, urls)

這里調(diào)用urlopen方法來把調(diào)用結(jié)果全部按序返回并存儲到一個列表里。就像：

results = [] 
 
for url in urls: 
 
results.append(urllib2.urlopen(url))

Map按序處理這些迭代。調(diào)用這個函數(shù)，它就會返回給我們一個按序存儲著結(jié)果的簡易列表。

為什么它這么厲害呢?因為只要有了合適的庫，map能使并行運行得十分流暢!

有兩個能夠支持通過map函數(shù)來完成并行的庫：一個是multiprocessing，另一個是鮮為人知但功能強大的子文件：multiprocessing.dummy。

題外話：這個是什么?你從來沒聽說過dummy多進程庫?我也是最近才知道的。它在多進程的說明文檔里面僅僅只被提到了一句。而且那一句就是大概讓你知道有這么個東西的存在。我敢說，這樣幾近拋售的做法造成的后果是不堪設(shè)想的!

Dummy就是多進程模塊的克隆文件。唯一不同的是，多進程模塊使用的是進程，而dummy則使用線程(當(dāng)然，它有所有Python常見的限制)。也就是說，數(shù)據(jù)由一個傳遞給另一個。這能夠使得數(shù)據(jù)輕松的在這兩個之間進行前進和回躍，特別是對于探索性程序來說十分有用，因為你不用確定框架調(diào)用到底是IO 還是CPU模式。

準(zhǔn)備開始

要做到通過map函數(shù)來完成并行，你應(yīng)該先導(dǎo)入裝有它們的模塊：

from multiprocessing import Pool 
 
from multiprocessing.dummy import Pool as ThreadPool

再初始化:

pool = ThreadPool()

這簡單的一句就能代替我們的build_worker_pool 函數(shù)在example2.py中的所有工作。換句話說，它創(chuàng)建了許多有效的worker，啟動它們來為接下來的工作做準(zhǔn)備，以及把它們存儲在不同的位置，方便使用。

Pool對象需要一些參數(shù)，但最重要的是：進程。它決定pool中的worker數(shù)量。如果你不填的話，它就會默認(rèn)為你電腦的內(nèi)核數(shù)值。

如果你在CPU模式下使用多進程pool，通常內(nèi)核數(shù)越大速度就越快(還有很多其它因素)。但是，當(dāng)進行線程或者處理網(wǎng)絡(luò)綁定之類的工作時，情況會比較復(fù)雜所以應(yīng)該使用pool的準(zhǔn)確大小。

pool = ThreadPool(4) # Sets the pool size to 4

如果你運行過多線程，多線程間的切換將會浪費許多時間，所以你最好耐心調(diào)試出最適合的任務(wù)數(shù)。

我們現(xiàn)在已經(jīng)創(chuàng)建了pool對象，馬上就能有簡單的并行程序了，所以讓我們重新寫example2.py中的url opener吧!

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()

看吧!這次的代碼僅用了4行就完成了所有的工作。其中3句還是簡單的固定寫法。調(diào)用map就能完成我們前面例子中40行的內(nèi)容!為了更形象地表明兩種方法的差異，我還分別給它們運行的時間計時。

結(jié)果：

相當(dāng)出色!并且也表明了為什么要細(xì)心調(diào)試pool的大小。在這里，只要大于9，就能使其運行速度加快。

實例2：

生成成千上萬的縮略圖

我們在CPU模式下來完成吧!我工作中就經(jīng)常需要處理大量的圖像文件夾。其任務(wù)之一就是創(chuàng)建縮略圖。這在并行任務(wù)中已經(jīng)有很成熟的方法了。

基礎(chǔ)的單線程創(chuàng)建

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)

對于一個例子來說，這是有點難，但本質(zhì)上，這就是向程序傳遞一個文件夾，然后將其中的所有圖片抓取出來，并最終在它們各自的目錄下創(chuàng)建和儲存縮略圖。

我的電腦處理大約6000張圖片用了27.9秒。

如果我們用并行調(diào)用map來代替for循環(huán)的話：

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()

5.6秒!

對于只改變了幾行代碼而言，這是大大地提升了運行速度。這個方法還能更快，只要你將cpu 和 io的任務(wù)分別用它們的進程和線程來運行——但也常造成死鎖。總之，綜合考慮到 map這個實用的功能，以及人為線程管理的缺失，我覺得這是一個美觀，可靠還容易debug的方法。

好了，文章結(jié)束了。一行完成并行任務(wù)。

責(zé)任編輯：龐桂玉來源： Python開發(fā)者

Python 代碼并行任務(wù)