Python絕對是處理數(shù)據(jù)或者把重復(fù)任務(wù)自動化的***編程語言。要抓取網(wǎng)頁日志?或者要調(diào)整一百萬張圖片?總有對應(yīng)的Python庫讓你輕松完成任務(wù)。

然而，Python的運(yùn)營速度一直飽受詬病。默認(rèn)狀態(tài)下，Python程序使用單個(gè)CPU的單個(gè)進(jìn)程。如果你的電腦是最近十年生產(chǎn)的，多數(shù)情況下會有4個(gè)及以上CPU核。也就是說，當(dāng)你在等程序運(yùn)行結(jié)束的時(shí)候，你的計(jì)算機(jī)有75%或者更多的計(jì)算資源都是空置的!

讓我們來看看如何通過并行運(yùn)算充分利用計(jì)算資源。多虧有Python的concurrent.futures模塊，僅需3行代碼就可以讓一個(gè)普通程序并行運(yùn)行。

一般情況下的Python運(yùn)行

比如說我們有一個(gè)文件夾，里面全是圖片文件，我們想給每一張圖片創(chuàng)建縮略圖。

下面的短程序中我們使用Python自帶的glob 函數(shù)獲取一個(gè)包含文件夾中所有圖片文件的列表，并用Pillow圖片處理庫獲取每張圖片的128像素縮略圖。

這個(gè)程序遵循很常見的數(shù)據(jù)處理模式：

1. 從您想處理的一系列文件(或其他數(shù)據(jù))開始
2. 編寫一個(gè)處理一個(gè)數(shù)據(jù)的輔助函數(shù)
3. 用for循環(huán)調(diào)動輔助函數(shù)，一個(gè)一個(gè)的去處理數(shù)據(jù)

讓我們用1000張圖片來測試這個(gè)程序，看看運(yùn)行時(shí)間是多少。

程序運(yùn)行時(shí)間8.9秒，但是計(jì)算機(jī)的運(yùn)算資源占用了多少呢?

讓我們再跑一次程序，同時(shí)查看活動監(jiān)視器：

計(jì)算機(jī)有75%空置，這是為什么呢?

問題在于我的計(jì)算機(jī)有4個(gè)CPU核，但是Python只用了其中一個(gè)核。即便我的程序把那個(gè)CPU核完全占滿，但是其他3個(gè)CPU核什么也沒干。我們需要想辦法把整個(gè)程序的工作量分成4份然后平行運(yùn)行。所幸Python可以做到這一點(diǎn)!

讓我們來試試并行運(yùn)算

下面是實(shí)現(xiàn)并行運(yùn)算的一個(gè)方法：

1. 把Jpeg圖片文件列表分成4個(gè)部分。
2. 同時(shí)跑四個(gè)Python解釋器。
3. 讓四個(gè)解釋器分別處理一部分圖片文件。
4. 匯總四個(gè)解釋器的結(jié)果得到最終結(jié)果。

四個(gè)Python程序分別在4個(gè)CPU上運(yùn)行，跟之前在1個(gè)CPU運(yùn)行相比大概可以達(dá)到4倍的速度，對不對?

好消息是Python可以幫我們解決并行運(yùn)算麻煩的部分。我們僅需要告訴 Python我們想要運(yùn)行什么函數(shù)以及我們希望工作分成多少份，其他部分留給Python。我們只需要修改三行代碼。

首先，我們需要導(dǎo)入concurrent.futures庫。這個(gè)庫是Python自帶的：

然后，我們需要告訴 Python另外啟動4個(gè)Python實(shí)例。我們通過創(chuàng)建Process Pool來傳達(dá)指令：

默認(rèn)設(shè)置下，上面的代碼會給計(jì)算機(jī)的每一個(gè)CPU創(chuàng)建一個(gè)Python進(jìn)程，所以如果您的計(jì)算機(jī)有4個(gè)CPU，就會開啟4個(gè)Python進(jìn)程。

***一步是讓Process Pool 用這4個(gè)進(jìn)程在數(shù)據(jù)列表中執(zhí)行我們的輔助函數(shù)。我們可以把我們之前的for循環(huán)替代為：

新代碼是調(diào)用executor.map()函數(shù)

executor.map() 函數(shù)調(diào)用時(shí)需要輸入輔助函數(shù)和待處理的數(shù)據(jù)列表。這個(gè)函數(shù)幫我們完成所有麻煩的工作，把列表分成幾個(gè)小列表，把小列表分配給每個(gè)子進(jìn)程，運(yùn)行子進(jìn)程，以及匯總結(jié)果。干得漂亮!

我們也可以得到每次調(diào)用輔助函數(shù)的結(jié)果。executor.map()函數(shù)以輸入數(shù)據(jù)順序返回結(jié)果。 Python的zip()函數(shù)可以一步獲取原始文件名以及相應(yīng)結(jié)果。

下面是經(jīng)過三步改動之后的程序：

讓我們試著運(yùn)行一下，看看有沒有縮短運(yùn)行時(shí)間：

2.274秒程序就運(yùn)行完了!這便是原來版本的4倍加速。運(yùn)行時(shí)間縮短的原因正是我們這次用4個(gè)CPU代替了1個(gè)CPU。

但是如果您仔細(xì)看看，您會看到“用戶(User)”時(shí)間大概是接近9秒，如果程序2秒就運(yùn)行結(jié)束了，為什么客戶時(shí)間會是9秒?這似乎…有哪里不對?

其實(shí)這是因?yàn)?rdquo;用戶”時(shí)間是所有CPU時(shí)間的總和。我們和上次一樣，用9秒的總CPU

注意：啟用Python進(jìn)程以及給子進(jìn)程分配數(shù)據(jù)都會占用時(shí)間，因此您不一定能靠這個(gè)方法大幅提高速度。如果您處理的數(shù)據(jù)量很大，這里有一篇“設(shè)置chunksize參數(shù)的技巧”文章可能可以幫助您：https://docs.python.org/3/library/concurrent.futures.html#concurrent.futures.Executor.map。

這種方法總能幫我的程序提速嗎?

當(dāng)你有一列數(shù)據(jù)，并且每個(gè)數(shù)據(jù)都可以獨(dú)立處理的時(shí)候，使用Process Pools是一個(gè)好方法。這有一些適合使用并行處理的例子：

1. 從一系列單獨(dú)的網(wǎng)頁服務(wù)器日志里抓取數(shù)據(jù)。
2. 從一堆XML，CSV和JSON文件中解析數(shù)據(jù)。
3. 對大量圖片數(shù)據(jù)做預(yù)處理，建立機(jī)器學(xué)習(xí)數(shù)據(jù)集。

但Process Pools不是***的。使用Process Pool需要在獨(dú)立的Python處理過程中將數(shù)據(jù)來回傳遞。如果你正在使用的數(shù)據(jù)不能在處理過程中有效的被傳遞，這種方法就行不通。你處理的數(shù)據(jù)必須是Python知道怎么搞定的類型

(https://docs.python.org/3/library/pickle.html#what-can-be-pickled-and-unpickled)。

同時(shí)，數(shù)據(jù)不會按照一個(gè)預(yù)想的順序被處理。如果你需要前一步的處理結(jié)果來進(jìn)行下一步驟，這種方法也行不通。

那GIL怎么辦?

你可能聽說過Python有一個(gè)全局解釋器鎖(Global Interpreter Lock,)，縮寫為GIL。這意味著即使你的程序是多層的，每一層也只有一個(gè)Python命令能被執(zhí)行。GIL確保任何時(shí)候都只有一個(gè)Python線程執(zhí)行。 GIL***的問題就是Python的多線程程序并不能利用多核CPU的優(yōu)勢。

但Process Pools能解決這個(gè)問題!因?yàn)槲覀冊谶\(yùn)行單獨(dú)的Python實(shí)例，每個(gè)實(shí)例都有自己的GIL。這樣你就有了真正的并行處理的Python代碼!

不要害怕并行處理!

有了concurrent.futures庫，Python可以讓你簡簡單單地修改腳本，卻能立刻調(diào)用你電腦上所有CPU內(nèi)核開足馬力地運(yùn)行。不要害怕嘗試。一旦你會用了，它就像寫一個(gè)for循環(huán)那樣簡單，但會讓整個(gè)程序快很多。

原文：

https://medium.com/@ageitgey/quick-tip-speed-up-your-python-data-processing-scripts-with-process-pools-cf275350163a

【本文是51CTO專欄機(jī)構(gòu)大數(shù)據(jù)文摘的原創(chuàng)譯文，微信公眾號“大數(shù)據(jù)文摘（ id: BigDataDigest）”】

戳這里，看該作者更多好文