Python代碼便利并行，這個(gè)操作秀?。?/h1>
Python 在程序并行化方面多少有些聲名狼藉。撇開技術(shù)上的問題，例如線程的實(shí)現(xiàn)和 GIL，我覺得錯(cuò)誤的教學(xué)指導(dǎo)才是主要問題。常見的經(jīng)典 Python 多線程、多進(jìn)程教程多顯得偏"重"。而且往往隔靴搔癢，沒有深入探討日常工作中最有用的內(nèi)容。
傳統(tǒng)的例子
簡(jiǎn)單搜索下"Python 多線程教程"，不難發(fā)現(xiàn)幾乎所有的教程都給出涉及類和隊(duì)列的例子：
- import os
- import PIL
- from multiprocessing importPool
- from PIL importImage
- 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(chǎn)者/消費(fèi)者模型處理多線程/多進(jìn)程任務(wù)是錯(cuò)誤的（事實(shí)上，這一模型自有其用武之地）。只是，處理日常腳本任務(wù)時(shí)我們可以使用更有效率的模型。
問題在于…
首先，你需要一個(gè)樣板類；其次，你需要一個(gè)隊(duì)列來傳遞對(duì)象；而且，你還需要在通道兩端都構(gòu)建相應(yīng)的方法來協(xié)助其工作（如果需想要進(jìn)行雙向通信或是保存結(jié)果還需要再引入一個(gè)隊(duì)列）。
worker 越多，問題越多
按照這一思路，你現(xiàn)在需要一個(gè) worker 線程的線程池。下面是一篇 IBM 經(jīng)典教程中的例子——在進(jìn)行網(wǎng)頁檢索時(shí)通過多線程進(jìn)行加速。
- #Example2.py
- '''
- A more realistic thread pool example
- '''
- import time
- import threading
- importQueue
- import urllib2
- classConsumer(threading.Thread):
- def __init__(self, queue):
- threading.Thread.__init__(self)
- self._queue = queue
- def run(self):
- whileTrue:
- content = self._queue.get()
- if isinstance(content, str) and content == 'quit':
- break
- response = urllib2.urlopen(content)
- print'Bye byes!'
- defProducer():
- 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(yùn)行，但仔細(xì)看看我們需要做些什么：構(gòu)造不同的方法、追蹤一系列的線程，還有為了解決惱人的死鎖問題，我們需要進(jìn)行一系列的 join 操作。這還只是開始……
至此我們回顧了經(jīng)典的多線程教程，多少有些空洞不是嗎？樣板化而且易出錯(cuò)，這樣事倍功半的風(fēng)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 這一小巧精致的函數(shù)是簡(jiǎn)捷實(shí)現(xiàn) Python 程序并行化的關(guān)鍵。map 源于 Lisp 這類函數(shù)式編程語言。它可以通過一個(gè)序列實(shí)現(xiàn)兩個(gè)函數(shù)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(gè)元素作為參數(shù)傳遞到 urlopen 方法中，并將所有結(jié)果保存到 results 這一列表中。其結(jié)果大致相當(dāng)于：
- results = []
- for url in urls:
- results.append(urllib2.urlopen(url))
map 函數(shù)一手包辦了序列操作、參數(shù)傳遞和結(jié)果保存等一系列的操作。
為什么這很重要呢？這是因?yàn)榻柚_的庫，map 可以輕松實(shí)現(xiàn)并行化操作。
在 Python 中有個(gè)兩個(gè)庫包含了 map 函數(shù)：multiprocessing 和它鮮為人知的子庫 multiprocessing.dummy.
這里多扯兩句：multiprocessing.dummy？mltiprocessing 庫的線程版克隆？這是蝦米？即便在 multiprocessing 庫的官方文檔里關(guān)于這一子庫也只有一句相關(guān)描述。而這句描述譯成人話基本就是說:"嘛，有這么個(gè)東西，你知道就成."相信我，這個(gè)庫被嚴(yán)重低估了！
dummy 是 multiprocessing 模塊的完整克隆，唯一的不同在于 multiprocessing 作用于進(jìn)程，而 dummy 模塊作用于線程（因此也包括了 Python 所有常見的多線程限制）。所以替換使用這兩個(gè)庫異常容易。你可以針對(duì) IO 密集型任務(wù)和 CPU 密集型任務(wù)來選擇不同的庫。
動(dòng)手嘗試
使用下面的兩行代碼來引用包含并行化 map 函數(shù)的庫：
- from multiprocessing importPool
- from multiprocessing.dummy importPoolasThreadPool
實(shí)例化 Pool 對(duì)象：
- pool = ThreadPool()
這條簡(jiǎn)單的語句替代了 example2.py 中 buildworkerpool 函數(shù) 7 行代碼的工作。它生成了一系列的 worker 線程并完成初始化工作、將它們儲(chǔ)存在變量中以方便訪問。
Pool 對(duì)象有一些參數(shù)，這里我所需要關(guān)注的只是它的第一個(gè)參數(shù)：processes. 這一參數(shù)用于設(shè)定線程池中的線程數(shù)。其默認(rèn)值為當(dāng)前機(jī)器 CPU 的核數(shù)。
一般來說，執(zhí)行 CPU 密集型任務(wù)時(shí)，調(diào)用越多的核速度就越快。但是當(dāng)處理網(wǎng)絡(luò)密集型任務(wù)時(shí)，事情有有些難以預(yù)計(jì)了，通過實(shí)驗(yàn)來確定線程池的大小才是明智的。
pool = ThreadPool(4) # Sets the pool size to 4
線程數(shù)過多時(shí)，切換線程所消耗的時(shí)間甚至?xí)^實(shí)際工作時(shí)間。對(duì)于不同的工作，通過嘗試來找到線程池大小的最優(yōu)值是個(gè)不錯(cuò)的主意。
創(chuàng)建好 Pool 對(duì)象后，并行化的程序便呼之欲出了。我們來看看改寫后的 example2.py
- import urllib2
- from multiprocessing.dummy importPoolasThreadPool
- 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(shí)際起作用的代碼只有 4行，其中只有一行是關(guān)鍵的。map 函數(shù)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(tǒng)計(jì)了不同方法、不同線程池大小的耗時(shí)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(jié)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(jié)果不是嗎？這一結(jié)果也說明了為什么要通過實(shí)驗(yàn)來確定線程池的大小。在我的機(jī)器上當(dāng)線程池大小大于 9 帶來的收益就十分有限了。
另一個(gè)真實(shí)的例子
生成上千張圖片的縮略圖
這是一個(gè) CPU 密集型的任務(wù)，并且十分適合進(jìn)行并行化。
基礎(chǔ)單進(jìn)程版本
- import os
- import PIL
- from multiprocessing importPool
- from PIL importImage
- 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工作就是將遍歷傳入的文件夾中的圖片文件，一一生成縮略圖，并將這些縮略圖保存到特定文件夾中。
這我的機(jī)器上，用這一程序處理 6000 張圖片需要花費(fèi) 27.9 秒。
如果我們使用 map 函數(shù)來代替 for 循環(huán)：
- import os
- import PIL
- from multiprocessing importPool
- from PIL importImage
- 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(dòng)了幾行代碼，我們卻明顯提高了程序的執(zhí)行速度。在生產(chǎn)環(huán)境中，我們可以為 CPU 密集型任務(wù)和 IO 密集型任務(wù)分別選擇多進(jìn)程和多線程庫來進(jìn)一步提高執(zhí)行速度——這也是解決死鎖問題的良方。此外，由于 map 函數(shù)并不支持手動(dòng)線程管理，反而使得相關(guān)的 debug 工作也變得異常簡(jiǎn)單。
到這里，我們就實(shí)現(xiàn)了（基本）通過一行 Python 實(shí)現(xiàn)并行化。
