Python一行代码完成并行任务

众所周知，Python的并行处理能力很不理想。我认为如果不考虑线程和GIL的标准参数(它们大多是合法的)，其原因不是因为技术不到位，而是我们的使用方法不恰当。大多数关于Python线程和多进程的教材虽然都很出色，但是内容繁琐冗长。它们的确在开篇铺陈了许多有用信息，但往往都不会涉及真正能提高日常工作的部分。

众所周知，Python的并行处理能力很不理想。我认为如果不考虑线程和GIL的标准参数(它们大多是合法的)，其原因不是因为技术不到位，而是我们的使用方法不恰当。大多数关于Python线程和多进程的教材虽然都很出色，但是内容繁琐冗长。它们的确在开篇铺陈了许多有用信息，但往往都不会涉及真正能提高日常工作的部分。

经典例子

DDG上以“Python threading tutorial (Python线程教程)”为关键字的热门搜索结果表明：几乎每篇文章中给出的例子都是相同的类+队列。

事实上，它们就是以下这段使用producer/Consumer来处理线程/多进程的代码示例：

#Example.py
'''
StandardProducer/ConsumerThreadingPattern
'''
importtime
importthreading
importQueue
classConsumer(threading.Thread):
def__init__(self,queue):
threading.Thread.__init__(self)
self._queue=queue
defrun(self):
whileTrue:
#queue.get()blocksthecurrentthreaduntil
#anitemisretrieved.
msg=self._queue.get()
#Checksifthecurrentmessageis
#the"PoisonPill"
ifisinstance(msg,str)andmsg=='quit':
#ifso,existstheloop
break
#"Processes"(orinourcase,prints)thequeueitem
print"I'mathread,andIreceived%s!!"%msg
#Alwaysbefriendly!
print'Byebyes!'
defProducer():
#Queueisusedtoshareitemsbetween
#thethreads.
queue=Queue.Queue()
#Createaninstanceoftheworker
worker=Consumer(queue)
#startcallstheinternalrun()methodto
#kickoffthethread
worker.start()
#variabletokeeptrackofwhenwestarted
start_time=time.time()
#Whileunder5seconds..
whiletime.time()-start_time<5:
#"Produce"apieceofworkandstickitin
#thequeuefortheConsumertoprocess
queue.put('somethingat%s'%time.time())
#Sleepabitjusttoavoidanabsurdnumberofmessages
time.sleep(1)
#Thisthe"poisonpill"methodofkillingathread.
queue.put('quit')
#waitforthethreadtoclosedown
worker.join()
if__name__=='__main__':
Producer()

唔…….感觉有点像Java。

我现在并不想说明使用Producer / Consume来解决线程/多进程的方法是错误的——因为它肯定正确，而且在很多情况下它是最佳方法。但我不认为这是平时写代码的最佳选择。

它的问题所在(个人观点)

首先，你需要创建一个样板式的铺垫类。然后，你再创建一个队列，通过其传递对象和监管队列的两端来完成任务。(如果你想实现数据的交换或存储，通常还涉及另一个队列的参与)。

Worker越多，问题越多。

接下来，你应该会创建一个worker类的pool来提高Python的速度。下面是IBM tutorial给出的较好的方法。这也是程序员们在利用多线程检索web页面时的常用方法。

#Example2.py
"""
Amorerealisticthreadpoolexample
"""
importtime
importthreading
importQueue
importurllib2
classConsumer(threading.Thread):
def__init__(self,queue):
threading.Thread.__init__(self)
self._queue=queue
defrun(self):
whileTrue:
content=self._queue.get()
ifisinstance(content,str)andcontent=="quit":
break
response=urllib2.urlopen(content)
print"Byebyes!"
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()
#Addtheurlstoprocess
forurlinurls:
queue.put(url)
#Addthepoisonpillv
forworkerinworker_threads:
queue.put("quit")
forworkerinworker_threads:
worker.join()
print"Done!Timetaken:{}".format(time.time()-start_time)
defbuild_worker_pool(queue,size):
workers=[]
for_inrange(size):
worker=Consumer(queue)
worker.start()
workers.append(worker)
returnworkers
if__name__=='__main__':
Producer()

它的确能运行，但是这些代码多么复杂阿!它包括了初始化方法、线程跟踪列表以及和我一样容易在死锁问题上出错的人的噩梦——大量的join语句。而这些还仅仅只是繁琐的开始!

我们目前为止都完成了什么?基本上什么都没有。上面的代码几乎一直都只是在进行传递。这是很基础的方法，很容易出错(该死，我刚才忘了在队列对象上还需要调用task_done()方法(但是我懒得修改了))，性价比很低。还好，我们还有更好的方法。

介绍：Map

Map是一个很棒的小功能，同时它也是Python并行代码快速运行的关键。给不熟悉的人讲解一下吧，map是从函数语言Lisp来的。map函数能够按序映射出另一个函数。例如

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

这里调用urlopen方法来把调用结果全部按序返回并存储到一个列表里。就像：

results=[]
forurlinurls:
results.append(urllib2.urlopen(url))

Map按序处理这些迭代。调用这个函数，它就会返回给我们一个按序存储着结果的简易列表。

为什么它这么厉害呢?因为只要有了合适的库，map能使并行运行得十分流畅!

有两个能够支持通过map函数来完成并行的库：一个是multiprocessing，另一个是鲜为人知但功能强大的子文件：multiprocessing.dummy。

题外话：这个是什么?你从来没听说过dummy多进程库?我也是最近才知道的。它在多进程的说明文档里面仅仅只被提到了一句。而且那一句就是大概让你知道有这么个东西的存在。我敢说，这样几近抛售的做法造成的后果是不堪设想的!

Dummy就是多进程模块的克隆文件。唯一不同的是，多进程模块使用的是进程，而dummy则使用线程(当然，它有所有Python常见的限制)。也就是说，数据由一个传递给另一个。这能够使得数据轻松的在这两个之间进行前进和回跃，特别是对于探索性程序来说十分有用，因为你不用确定框架调用到底是IO 还是CPU模式。

准备开始

要做到通过map函数来完成并行，你应该先导入装有它们的模块：

frommultiprocessingimportPool
frommultiprocessing.dummyimportPoolasThreadPool

再初始化:

pool=ThreadPool()

这简单的一句就能代替我们的build_worker_pool 函数在example2.py中的所有工作。换句话说，它创建了许多有效的worker，启动它们来为接下来的工作做准备，以及把它们存储在不同的位置，方便使用。

Pool对象需要一些参数，但最重要的是：进程。它决定pool中的worker数量。如果你不填的话，它就会默认为你电脑的内核数值。

如果你在CPU模式下使用多进程pool，通常内核数越大速度就越快(还有很多其它因素)。但是，当进行线程或者处理网络绑定之类的工作时，情况会比较复杂所以应该使用pool的准确大小。

pool=ThreadPool(4)#Setsthepoolsizeto4

如果你运行过多线程，多线程间的切换将会浪费许多时间，所以你最好耐心调试出最适合的任务数。

我们现在已经创建了pool对象，马上就能有简单的并行程序了，所以让我们重新写example2.py中的url opener吧!

importurllib2
frommultiprocessing.dummyimportPoolasThreadPool
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..
]
#MakethePoolofworkers
pool=ThreadPool(4)
#Opentheurlsintheirownthreads
#andreturntheresults
results=pool.map(urllib2.urlopen,urls)
#closethepoolandwaitfortheworktofinish
pool.close()
pool.join()

看吧!这次的代码仅用了4行就完成了所有的工作。其中3句还是简单的固定写法。调用map就能完成我们前面例子中40行的内容!为了更形象地表明两种方法的差异，我还分别给它们运行的时间计时。

结果：

相当出色!并且也表明了为什么要细心调试pool的大小。在这里，只要大于9，就能使其运行速度加快。

实例2：

生成成千上万的缩略图

我们在CPU模式下来完成吧!我工作中就经常需要处理大量的图像文件夹。其任务之一就是创建缩略图。这在并行任务中已经有很成熟的方法了。

基础的单线程创建

importos
importPIL
frommultiprocessingimportPool
fromPILimportImage
SIZE=(75,75)
SAVE_DIRECTORY='thumbs'
defget_image_paths(folder):
return(os.path.join(folder,f)
forfinos.listdir(folder)
if'jpeg'inf)
defcreate_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)
forimageinimages:
create_thumbnail(Image)

对于一个例子来说，这是有点难，但本质上，这就是向程序传递一个文件夹，然后将其中的所有图片抓取出来，并最终在它们各自的目录下创建和储存缩略图。

我的电脑处理大约6000张图片用了27.9秒。

如果我们用并行调用map来代替for循环的话：

importos
importPIL
frommultiprocessingimportPool
fromPILimportImage
SIZE=(75,75)
SAVE_DIRECTORY='thumbs'
defget_image_paths(folder):
return(os.path.join(folder,f)
forfinos.listdir(folder)
if'jpeg'inf)
defcreate_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!

对于只改变了几行代码而言，这是大大地提升了运行速度。这个方法还能更快，只要你将cpu 和 io的任务分别用它们的进程和线程来运行——但也常造成死锁。总之，综合考虑到 map这个实用的功能，以及人为线程管理的缺失，我觉得这是一个美观，可靠还容易debug的方法。

好了，文章结束了。一行完成并行任务。