一行 Python 代码实现并行

桂林seo / 随笔杂谈 / 时间:2017-12-28 19:20

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:

  1. #Example.py

  2. '''

  3. Standard Producer/Consumer Threading Pattern

  4. '''

  5. importtime

  6. importthreading

  7. importQueue

  8. classConsumer(threading.Thread):

  9. def__init__(self,queue):

  10. threading.Thread.__init__(self)

  11. self._queue =queue

  12. defrun(self):

  13. whileTrue:

  14. # queue.get() blocks the current thread until

  15. # an item is retrieved.

  16. msg =self._queue.get()

  17. # Checks if the current message is

  18. # the "Poison Pill"

  19. ifisinstance(msg,str)andmsg =='quit':

  20. # if so, exists the loop

  21. break

  22. # "Processes" (or in our case, prints) the queue item

  23. print"I'm a thread, and I received %s!!"%msg

  24. # Always be friendly!

  25. print'Bye byes!'

  26. defProducer():

  27. # Queue is used to share items between

  28. # the threads.

  29. queue =Queue.Queue()

  30. # Create an instance of the worker

  31. worker =Consumer(queue)

  32. # start calls the internal run() method to

  33. # kick off the thread

  34. worker.start()

  35. # variable to keep track of when we started

  36. start_time =time.time()

  37. # While under 5 seconds..

  38. whiletime.time()-start_time <5:

  39. # "Produce" a piece of work and stick it in

  40. # the queue for the Consumer to process

  41. queue.put('something at %s'%time.time())

  42. # Sleep a bit just to avoid an absurd number of messages

  43. time.sleep(1)

  44. # This the "poison pill" method of killing a thread.

  45. queue.put('quit')

  46. # wait for the thread to close down

  47. worker.join()

  48. Producer()

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。

  1. #Example2.py

  2. '''

  3. A more realistic thread pool example

  4. '''

  5. importtime

  6. importthreading

  7. importQueue

  8. importurllib2

  9. classConsumer(threading.Thread):

  10. def__init__(self,queue):

  11. threading.Thread.__init__(self)

  12. self._queue =queue

  13. defrun(self):

  14. whileTrue:

  15. content =self._queue.get()

  16. ifisinstance(content,str)andcontent =='quit':

  17. break

  18. response =urllib2.urlopen(content)

  19. print'Bye byes!'

  20. defProducer():

  21. urls =[

  22. 'http://www.python.org','http://www.yahoo.com'

  23. 'http://www.scala.org','http://www.google.com'

  24. # etc..

  25. ]

  26. queue =Queue.Queue()

  27. worker_threads =build_worker_pool(queue,4)

  28. start_time =time.time()

  29. # Add the urls to process

  30. forurl inurls:

  31. queue.put(url)

  32. # Add the poison pillv

  33. forworker inworker_threads:

  34. queue.put('quit')

  35. forworker inworker_threads:

  36. worker.join()

  37. print'Done! Time taken: {}'.format(time.time()-start_time)

  38. defbuild_worker_pool(queue,size):

  39. workers =[]

  40. for_ inrange(size):

  41. worker =Consumer(queue)

  42. worker.start()

  43. workers.append(worker)

  44. returnworkers

  45. 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。

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

  2. 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:

  1. results =[]

  2. forurl inurls:

  3. 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。

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:

  1. frommultiprocessing importPool

  2. frommultiprocessing.dummy importPoolasThreadPool

实例化 Pool 对象:

  1. 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。

  1. 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

  1. importurllib2

  2. frommultiprocessing.dummy importPoolasThreadPool

  3. urls =[

  4. 'http://www.python.org',

  5. 'http://www.python.org/about/',

  6. 'http://www.onlamp.com/pub/a/python/2003/04/17/metaclasses.html',

  7. 'http://www.python.org/doc/',

  8. 'http://www.python.org/download/',

  9. 'http://www.python.org/getit/',

  10. 'http://www.python.org/community/',

  11. 'https://wiki.python.org/moin/',

  12. 'http://planet.python.org/',

  13. 'https://wiki.python.org/moin/LocalUserGroups',

  14. 'http://www.python.org/psf/',

  15. 'http://docs.python.org/devguide/',

  16. 'http://www.python.org/community/awards/'

  17. # etc..

  18. ]

  19. # Make the Pool of workers

  20. pool =ThreadPool(4)

  21. # Open the urls in their own threads

  22. # and return the results

  23. results =pool.map(urllib2.urlopen,urls)

  24. #close the pool and wait for the work to finish

  25. pool.close()

  26. 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。

  1. # results = []

  2. # for url in urls:

  3. # result = urllib2.urlopen(url)

  4. # results.append(result)

  5. # # ------- VERSUS ------- #

  6. # # ------- 4 Pool ------- #

  7. # pool = ThreadPool(4)

  8. # results = pool.map(urllib2.urlopen, urls)

  9. # # ------- 8 Pool ------- #

  10. # pool = ThreadPool(8)

  11. # results = pool.map(urllib2.urlopen, urls)

  12. # # ------- 13 Pool ------- #

  13. # pool = ThreadPool(13)

  14. # results = pool.map(urllib2.urlopen, urls)

结果:

  1. # Single thread: 14.4 Seconds

  2. # 4 Pool: 3.1 Seconds

  3. # 8 Pool: 1.4 Seconds

  4. # 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

  1. importos

  2. importPIL

  3. frommultiprocessing importPool

  4. fromPIL importImage

  5. SIZE =(75,75)

  6. SAVE_DIRECTORY ='thumbs'

  7. defget_image_paths(folder):

  8. return(os.path.join(folder,f)

  9. forf inos.listdir(folder)

  10. if'jpeg'inf)

  11. defcreate_thumbnail(filename):

  12. im =Image.open(filename)

  13. im.thumbnail(SIZE,Image.ANTIALIAS)

  14. base,fname =os.path.split(filename)

  15. save_path =os.path.join(base,SAVE_DIRECTORY,fname)

  16. im.save(save_path)

  17. folder =os.path.abspath(

  18. '11_18_2013_R000_IQM_Big_Sur_Mon__e10d1958e7b766c3e840')

  19. os.mkdir(os.path.join(folder,SAVE_DIRECTORY))

  20. images =get_image_paths(folder)

  21. forimage inimages:

  22. 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:

  1. importos

  2. importPIL

  3. frommultiprocessing importPool

  4. fromPIL importImage

  5. SIZE =(75,75)

  6. SAVE_DIRECTORY ='thumbs'

  7. defget_image_paths(folder):

  8. return(os.path.join(folder,f)

  9. forf inos.listdir(folder)

  10. if'jpeg'inf)

  11. defcreate_thumbnail(filename):

  12. im =Image.open(filename)

  13. im.thumbnail(SIZE,Image.ANTIALIAS)

  14. base,fname =os.path.split(filename)

  15. save_path =os.path.join(base,SAVE_DIRECTORY,fname)

  16. im.save(save_path)

  17. folder =os.path.abspath(

  18. '11_18_2013_R000_IQM_Big_Sur_Mon__e10d1958e7b766c3e840')

  19. os.mkdir(os.path.join(folder,SAVE_DIRECTORY))

  20. images =get_image_paths(folder)

  21. pool =Pool()

  22. pool.map(creat_thumbnail,images)

  23. pool.close()

  24. pool.join()

5.6 秒!

虽然只改动了几行代码,我们却明显提高了程序的执行速度。在生产环境中,我们可以为 CPU 密集型任务和 IO 密集型任务分别选择多进程和多线程库来进一步提高执行速度——这也是解决死锁问题的良方。此外,由于 map 函数并不支持手动线程管理,反而使得相关的 debug 工作也变得异常简单。

到这里,我们就实现了(基本)通过一行 Python 实现并行化。

Update:

译文已获作者 Chris 授权


桂林SEO半杯酒博客文章,转载请注明原文网址摘自 http://www.mna5.com/suibizatan/673.html,谢谢配合!

  • 上一篇:一名高效程序员应该有的7个习惯
  • 下一篇:没有了
  • 微信扫一扫,关注我们
    1
    3