Python黑魔法，一行实现并行化
Python 在程序并行化方面多少有些聲名狼藉。撇開技術上的問題，例如線程的實現和 GIL，我覺得錯誤的教學指導才是主要問題。常見的經典 Python 多線程、多進程教程多顯得偏“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容。
?
傳統的例子
?
簡單搜索下“Python 多線程教程”，不難發現幾乎所有的教程都給出涉及類和隊列的例子：
?
#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()
?
哈，看起來有些像 Java 不是嗎？
?
我并不是說使用生產者/消費者模型處理多線程/多進程任務是錯誤的（事實上，這一模型自有其用武之地）。只是，處理日常腳本任務時我們可以使用更有效率的模型。
?
問題在于…
?
首先，你需要一個樣板類；
其次，你需要一個隊列來傳遞對象；
而且，你還需要在通道兩端都構建相應的方法來協助其工作（如果需想要進行雙向通信或是保存結果還需要再引入一個隊列）。
?
worker 越多，問題越多
?
按照這一思路，你現在需要一個 worker 線程的線程池。下面是 一篇 IBM 經典教程 中的例子——在進行網頁檢索時通過多線程進行加速。
?
#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()
?
這段代碼能正確的運行，但仔細看看我們需要做些什么：構造不同的方法、追蹤一系列的線程，還有為了解決惱人的死鎖問題，我們需要進行一系列的 join 操作。這還只是開始……
?
至此我們回顧了經典的多線程教程，多少有些空洞不是嗎？樣板化而且易出錯，這樣事倍功半的風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是簡捷實現 Python 程序并行化的關鍵。map 源于 Lisp 這類函數式編程語言。它可以通過一個序列實現兩個函數之間的映射。
?
urls = ['http://www.yahoo.com', 'http://www.reddit.com']
results = map(urllib2.urlopen, urls)
?
上面的這兩行代碼將 urls 這一序列中的每個元素作為參數傳遞到 urlopen 方法中，并將所有結果保存到 results 這一列表中。其結果大致相當于：
?
results = []
for url in urls:
????results.append(urllib2.urlopen(url))
?
map 函數一手包辦了序列操作、參數傳遞和結果保存等一系列的操作。
?
為什么這很重要呢？這是因為借助正確的庫，map 可以輕松實現并行化操作。
?
?
在 Python 中有個兩個庫包含了 map 函數： 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 庫的官方文檔里關于這一子庫也只有一句相關描述。而這句描述譯成人話基本就是說:”嘛，有這么個東西，你知道就成.”相信我，這個庫被嚴重低估了！
?
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庫異常容易。你可以針對 IO 密集型任務和 CPU 密集型任務來選擇不同的庫。
?
動手嘗試
?
使用下面的兩行代碼來引用包含并行化 map 函數的庫：
?
from multiprocessing import Pool
from multiprocessing.dummy import Pool as ThreadPool
?
實例化 Pool 對象：
?
pool = ThreadPool()
?
這條簡單的語句替代了 example2.py 中 build_worker_pool 函數 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、將它們儲存在變量中以方便訪問。
?
Pool 對象有一些參數，這里我所需要關注的只是它的第一個參數：processes. 這一參數用于設定線程池中的線程數。其默認值為當前機器 CPU 的核數。
?
一般來說，執行 CPU 密集型任務時，調用越多的核速度就越快。但是當處理網絡密集型任務時，事情有有些難以預計了，通過實驗來確定線程池的大小才是明智的。
?
pool = ThreadPool(4) # Sets the pool size to 4
?
線程數過多時，切換線程所消耗的時間甚至會超過實際工作時間。對于不同的工作，通過嘗試來找到線程池大小的最優值是個不錯的主意。
?
創建好 Pool 對象后，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 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()
?
實際起作用的代碼只有 4 行，其中只有一行是關鍵的。map 函數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，我統計了不同方法、不同線程池大小的耗時情況。
?
# 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
?
很棒的結果不是嗎？這一結果也說明了為什么要通過實驗來確定線程池的大小。在我的機器上當線程池大小大于 9 帶來的收益就十分有限了。
?
另一個真實的例子
?
生成上千張圖片的縮略圖
這是一個 CPU 密集型的任務，并且十分適合進行并行化。
?
基礎單進程版本
?
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)
?
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。
?
這我的機器上，用這一程序處理 6000 張圖片需要花費 27.9 秒。
?
如果我們使用 map 函數來代替 for 循環：
?
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(creat_thumbnail, images)
????pool.close()
????pool.join()
?
5.6 秒！
?
雖然只改動了幾行代碼，我們卻明顯提高了程序的執行速度。在生產環境中，我們可以為 CPU 密集型任務和 IO 密集型任務分別選擇多進程和多線程庫來進一步提高執行速度——這也是解決死鎖問題的良方。此外，由于 map 函數并不支持手動線程管理，反而使得相關的 debug 工作也變得異常簡單。
到這里，我們就實現了（基本）通過一行 Python 實現并行化。
原文鏈接
轉載于:https://www.cnblogs.com/276815076/p/5530420.html
總結
以上是生活随笔為你收集整理的Python黑魔法，一行实现并行化的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： h5-列表
- 下一篇： 2. python 参数个数可变的函数