一行代码实现Python并行处理

一行代码实现Python并行处理

Python 在程序并行化方面多少有些声名狼藉。撇开技术上的问题,例如线程的实现和 GIL,我觉得错误的教学指导才是主要问题。常见的经典 Python 多线程、多进程教程多显得偏"重"。而且往往隔靴搔痒,没有深入探讨日常工作中最有用的内容。

传统的例子

简单搜索下"Python 多线程教程",不难发现几乎所有的教程都给出涉及类和队列的例子:

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() 

哈,看起来有些像 Java 不是吗?

我并不是说使用生产者/消费者模型处理多线程/多进程任务是错误的(事实上,这一模型自有其用武之地)。只是,处理日常脚本任务时我们可以使用更有效率的模型。

问题在于…

  •  首先,你需要一个样板类;
  •  其次,你需要一个队列来传递对象;
  •  而且,你还需要在通道两端都构建相应的方法来协助其工作(如果需想要进行双向通信或是保存结果还需要再引入一个队列)。

worker 越多,问题越多

按照这一思路,你现在需要一个 worker 线程的线程池。下面是一篇 IBM 经典教程中的例子——在进行网页检索时通过多线程进行加速。

#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() 

这段代码能正确的运行,但仔细看看我们需要做些什么:构造不同的方法、追踪一系列的线程,还有为了解决恼人的死锁问题,我们需要进行一系列的 join 操作。这还只是开始……

至此我们回顾了经典的多线程教程,多少有些空洞不是吗?样板化而且易出错,这样事倍功半的风格显然不那么适合日常使用,好在我们还有更好的方法。

何不试试 map

map 这一小巧精致的函数是简捷实现 Python 程序并行化的关键。map 源于 Lisp 这类函数式编程语言。它可以通过一个序列实现两个函数之间的映射。

urls = ['http://www.yahoo.com', 'http://www.reddit.com']  

results = map(urllib2.urlopen, urls) 

上面的这两行代码将 urls 这一序列中的每个元素作为参数传递到 urlopen 方法中,并将所有结果保存到 results 这一列表中。其结果大致相当于:

results = []  


for url in urls:  

    results.append(urllib2.urlopen(url)) 

map 函数一手包办了序列操作、参数传递和结果保存等一系列的操作。

为什么这很重要呢?这是因为借助正确的库,map 可以轻松实现并行化操作。

一行代码实现Python并行处理

在 Python 中有个两个库包含了 map 函数:multiprocessing 和它鲜为人知的子库 multiprocessing.dummy.

这里多扯两句:multiprocessing.dummy?mltiprocessing 库的线程版克隆?这是虾米?即便在 multiprocessing 库的官方文档里关于这一子库也只有一句相关描述。而这句描述译成人话基本就是说:"嘛,有这么个东西,你知道就成."相信我,这个库被严重低估了!

dummy 是 multiprocessing 模块的完整克隆,唯一的不同在于 multiprocessing 作用于进程,而 dummy 模块作用于线程(因此也包括了 Python 所有常见的多线程限制)。

所以替换使用这两个库异常容易。你可以针对 IO 密集型任务和 CPU 密集型任务来选择不同的库。

动手尝试

使用下面的两行代码来引用包含并行化 map 函数的库:

from multiprocessing import Pool  

from multiprocessing.dummy import Pool as ThreadPool 

实例化 Pool 对象:

pool = ThreadPool() 

这条简单的语句替代了 example2.py 中 buildworkerpool 函数 7 行代码的工作。它生成了一系列的 worker 线程并完成初始化工作、将它们储存在变量中以方便访问。

Pool 对象有一些参数,这里我所需要关注的只是它的第一个参数:processes. 这一参数用于设定线程池中的线程数。其默认值为当前机器 CPU 的核数。

一般来说,执行 CPU 密集型任务时,调用越多的核速度就越快。但是当处理网络密集型任务时,事情有些难以预计了,通过实验来确定线程池的大小才是明智的。

pool = ThreadPool(4) # Sets the pool size to 4 

线程数过多时,切换线程所消耗的时间甚至会超过实际工作时间。对于不同的工作,通过尝试来找到线程池大小的最优值是个不错的主意。

创建好 Pool 对象后,并行化的程序便呼之欲出了。我们来看看改写后的 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() 

实际起作用的代码只有 4 行,其中只有一行是关键的。map 函数轻而易举的取代了前文中超过 40 行的例子。为了更有趣一些,我统计了不同方法、不同线程池大小的耗时情况。

# 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) 

结果:

#        Single thread:  14.4 Seconds  


#               4 Pool:   3.1 Seconds  

#               8 Pool:   1.4 Seconds 
#              13 Pool:   1.3 Seconds 

很棒的结果不是吗?这一结果也说明了为什么要通过实验来确定线程池的大小。在我的机器上当线程池大小大于 9 带来的收益就十分有限了。

另一个真实的例子

生成上千张图片的缩略图

这是一个 CPU 密集型的任务,并且十分适合进行并行化。

基础单进程版本

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) 

上边这段代码的主要工作就是将遍历传入的文件夹中的图片文件,一一生成缩略图,并将这些缩略图保存到特定文件夹中。

这我的机器上,用这一程序处理 6000 张图片需要花费 27.9 秒。

如果我们使用 map 函数来代替 for 循环:

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!

相关推荐