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:
importos
importPIL
frommultiprocessing importPool
fromPIL importImage
SIZE =
SAVE_DIRECTORY = 'thumbs'
defget_image_paths:
return
forf inos.listdir
if'jpeg'inf)
defcreate_thumbnail:
im = Image.open
im.thumbnail
base, fname = os.path.split
save_path = os.path.join
im.save
if__name__ == '__main__':
folder = os.path.abspath
os.mkdir)
images = get_image_paths
pool = Pool
pool.map
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。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。
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。
Add the urls to process
forurl inurls:
queue.put
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
importurllib2
frommultiprocessing.dummy importPool asThreadPool
urls =
Open the urls in their own threads
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。
for url in urls:
results.append
------- VERSUS -------
results = pool.map
------- 8 Pool ------- pool = ThreadPool
results = pool.map
结果:
4 Pool: 3.1 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importos
importPIL
frommultiprocessing importPool
fromPIL importImage
SIZE =
SAVE_DIRECTORY = 'thumbs'
defget_image_paths:
return
forf inos.listdir
if'jpeg'inf)
defcreate_thumbnail:
im = Image.open
im.thumbnail
base, fname = os.path.split
save_path = os.path.join
im.save
if__name__ == '__main__':
folder = os.path.abspath
os.mkdir)
images = get_image_paths
forimage inimages:
create_thumbnail
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:
importos
importPIL
frommultiprocessing importPool
fromPIL importImage
SIZE =
SAVE_DIRECTORY = 'thumbs'
defget_image_paths:
return
forf inos.listdir
if'jpeg'inf)
defcreate_thumbnail:
im = Image.open
im.thumbnail
base, fname = os.path.split
save_path = os.path.join
im.save
if__name__ == '__main__':
folder = os.path.abspath
os.mkdir)
images = get_image_paths
pool = Pool
pool.map
pool.close
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,我们就实现了通过一行 Python 实现并行化。