Zi 字媒體

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：MapMap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。