一行 Python 编码完成并行处理

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：

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。