Python一行代碼完成并行任務

眾所周知，Python的并行處理能力很不理想。我認為如果不考慮線程和GIL的標準參數(它們大多是合法的)，其原因不是因為技術不到位，而是我們的使用方法不恰當。大多數關於Python線程和多進程的教材雖然都很出色，但是內容繁瑣冗長。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。

經典例子

DDG上以「Python threading tutorial (Python線程教程)」為關鍵字的熱門搜索結果表明：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。

我現在並不想說明使用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，你需要創建一個樣板式的鋪墊類。然後，你再創建一個隊列，通過其傳遞對象和監管隊列的兩端來完成任務。(如果你想實現數據的交換或存儲，通常還涉及另一個隊列的參與)。

Worker越多，問題越多。

接下來，你應該會創建一個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', '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

它的確能運行，但是這些代碼多麼複雜阿!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麼?基本上什麼都沒有。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鍵。給不熟悉的人講解一下吧，map是從函數語言Lisp來的。map函數能夠按序映射出另一個函數。例如

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

這裡調用urlopen方法來把調用結果全部按序返回並存儲到一個列表裡。就像：

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

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

為什麼它這麼厲害呢?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：這個是什麼?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裡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麼個東西的存在。我敢說，這樣幾近拋售的做法造成的後果是不堪設想的!

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(當然，它有所有Python常見的限制)。也就是說，數據由一個傳遞給另一個。這能夠使得數據輕鬆的在這兩個之間進行前進和回躍，特別是對於探索性程序來說十分有用，因為你不用確定框架調用到底是IO 還是CPU模式。

準備開始

要做到通過map函數來完成并行，你應該先導入裝有它們的模塊：

• 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 函數在example2.py中的所有工作。換句話說，它創建了許多有效的worker，啟動它們來為接下來的工作做準備，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，但最重要的是：進程。它決定pool中的worker數量。如果你不填的話，它就會默認為你電腦的內核數值。

如果你在CPU模式下使用多進程pool，通常內核數越大速度就越快(還有很多其它因素)。但是，當進行線程或者處理網路綁定之類的工作時，情況會比較複雜所以應該使用pool的準確大小。

• 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，所以你最好耐心調試出最適合的任務數。

我們現在已經創建了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。調用map就能完成我們前面例子中40行的內容!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。

結果：

相當出色!並且也表明了為什麼要細心調試pool的大小。在這裡，只要大於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!我工作中就經常需要處理大量的圖像文件夾。其任務之一就是創建縮略圖。這在并行任務中已經有很成熟的方法了。

基礎的單線程創建

• 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)

對於一個例子來說，這是有點難，但本質上，這就是向程序傳遞一個文件夾，然後將其中的所有圖片抓取出來，並最終在它們各自的目錄下創建和儲存縮略圖。

我的電腦處理大約6000張圖片用了27.9秒。

如果我們用并行調用map來代替for循環的話：

• 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!

對於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，文章結束了。一行完成并行任務。