在并行处理能力方面,Python的声名并不太好。不考虑关于线程和GIL(多数情况下是合理的)的标准论据,我认为Python中关于并行的真正问题并不是一个技术问题,而是教学问题。围绕Python线程和多进程的常见教程,一般都写得不错,但也令人乏味 - 激烈非凡,对日常真正有用的东西却很少涉及。
沿袭的例子
在DuckDuckGo(DDG)中搜索“Python多线程教程”,简单调查一下排在前面的结果,就会发现它们给出的都是同样基于Class + Queue的示例。
介绍threading/multiprocessing、生产者/消费者的真实示例代码:
# coding: utf-8
# Example.py
'''
标准的多线程生产者/消费者模式
'''
import time
import threading
import Queue
class Consumer(threading.Thread):
def __init__(self, queue):
threading.Thread.__init__(self)
self._queue = queue
def run(self):
while True:
# queue.get() 会阻塞当前线程,直到获取到一个数据项
msg = self._queue.get()
# 检查当前消息是否是个“毒药丸”
if isinstance(msg, str) and msg == 'quit':
# 如果是,则退出循环
break
# “处理” (这里是打印)从队列中取出的数据项
print "I'm a thread, and I received %s!!" % msg
# 我始终是这么的友好
print 'Bye byes!'
def Producer():
# Queue用于在线程之间共享数据项
queue = Queue.Queue()
# 创建一个工作实例
worker = Consumer(queue)
# start方法会调用内部的run()方法来开启线程
worker.start()
# 变量,用于追踪开始的时间
start_time = time.time()
# 在5秒之内
while time.time() - start_time < 5:
# “生产”一块工作,放入队列中,由消费者来处理
queue.put('something at %s' % time.time())
# 睡眠一会儿,以避免过多的消息
time.sleep(1)
# 这是杀死线程的“毒药丸”方式
queue.put('quit')
# 等待线程关闭
worker.join()
if __name__ == '__main__':
Producer()
嗯...闻闻,代码中一股子Java的气息。
我不想让大家觉得好像我认为生产者/消费者是处理线程/多进程的错误方式 - 因为确实不是。实际上,对多种问题来说,这种方式非常适合。然而,我认为:对于日常的脚本程序来说,这种方式并非是最有用的。
问题(我认为的)
其一,为了做点有用的事情,你得搞一个公式化的类;其二,你得维护一个队列(Queue),用于传送对象;这些齐备之后,在队列管道的两端还得准备方法来做真正的工作(如果希望有两种方式来通信或者准备存储结果,可能还得引入另一个队列)。
更多的工作者,更多的问题
基于此,下一件你想要做的事情就是搞一个工作者类的池,来加速你的Python程序。在关于线程的IBM教程中,给出了一个示例代码,以下是其变种。这是一个常见的应用场景 - 在多个线程上分配获取网页的任务。
# coding: utf-8
# Example2.py
'''
一个更加实际的线程池示例
'''
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'
# 等等...
]
queue = Queue.Queue()
worker_threads = build_worker_pool(queue, 4)
start_time = time.time()
# 加入待处理的URL
for url in urls:
queue.put(url)
# 加入毒药丸
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()
奏效了,但是你看看这些代码!准备(setup)方法、一组要追踪的线程,最糟糕的是,若有任何地方易发生死锁,就会产生一堆的join状态说明。自此,一切只会更复杂!
到目前为止,完成了些什么?啥都没有。上面的代码纯粹只是把所有东西像用纸糊起来一样(Just about everything in the above code is pure plumbing,如何翻译?)。这是另一种公式化的写法,也易发生错误(嘿,在写这个代码时,我甚至忘了在队列对象上调用task_done()(我懒得去解决这个问题然后再搞个截图)),付出很多,得到的却很少。幸运的是,我们有更好的方式。
引入:Map
Map是一个酷酷的小东西,也是在Python代码轻松引入并行的关键。对此不熟悉的人会认为map是从函数式语言(如Lisp)借鉴来的东西。map是一个函数 - 将另一个函数映射到一个序列上。例如:
urls = ['http://www.yahoo.com', 'http://www.reddit.com']
results = map(urllib2.urlopen, urls)
这段代码在传入序列的每个元素上应用方法urlopen,并将所有结果存入一个列表中。大致与下面这段代码的逻辑相当:
results = []
for url in urls:
results.append(urllib2.urlopen(url))
Map会为我们处理在序列上的迭代,应用函数,最后将结果存入一个方便使用的列表。
这为什么重要呢?因为利用恰当的库,map让并行处理成为小事一桩!
Python标准库中multiprocessing模块,以及极少人知但同样出色的子模块multiprocessing.dummy,提供了map函数的并行版本。
题外话:这是啥?你从未听说过这名为dummy的mulprocessing模块的线程克隆版本?我也是最近才知道的。在multiprocessing文档页中仅有一句提到这个子模块,而这句话基本可以归结为“哦,是的,存在这样一个东西”。完全低估了这个模块的价值!
Dummy是multiprocessing模块的精确克隆,唯一的区别是:multiprocessing基于进程工作,而dummy模块使用线程(也就带来了常见的Python限制)。因此,任何东西可套用到一个模块,也就可以套用到另一个模块。在两个模块之间来回切换也就相当容易,当你不太确定一些框架调用是IO密集型还是CPU密集型时,想做探索性质的编程,这一点会让你觉得非常赞!
开始
为了访问map函数的并行版本,首先需要导入包含它的模块:
# 以下两行引入其一即可
from multiprocessing import Pool
from multiprocessing.dummy import Pool as ThreadPool
并实例化池对象:
# 译注:这里其实是以dummy模块为例
pool = ThreadPool()
这一句代码处理了example2.py中7行的build_worker_pool函数完成的所有事情。如名所示,这句代码会创建一组可用的工作者,启动它们来准备工作,并将它们存入变量中,方便访问。
pool对象可以有若干参数,但目前,只需关注第一个:进程/线程数量。这个参数用于设置池中的工作者数目。如果留空,默认为机器的CPU核数。
一般来说,如果为CPU密集型任务使用进程池(multiprocessing pool),更多的核等于更快的速度(但有一些注意事项)。然而,当使用线程池(threading)处理网络密集型任务时,情况就很不一样了,因此最好试验一下池的最佳大小。
pool = ThreadPool(4) # 将池的大小设置为4
如果运行了过多的线程,就会浪费时间在线程切换上,而不是做有用的事情,所以可以把玩把玩直到找到最适合任务的线程数量。
现在池对象创建好了,简单的并行也是弹指之间的事情了,那来重写example2.py吧。
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/'
# 等等...
]
# 创建一个工作者线程池
pool = ThreadPool(4)
# 在各个线程中打开url,并返回结果
results = pool.map(urllib2.urlopen, urls)
#close the pool and wait for the work to finish
# 关闭线程池,等待工作结束
pool.close()
pool.join()
看看!真正做事情的代码仅有4行,其中3行只是简单的辅助功能。map调用轻松搞定了之前示例40行代码做的事情!觉得好玩,我对两种方式进行了时间测量,并使用了不同的池大小。
# 译注:我觉得与串行处理方式对比意义不大,应该和队列的方式进行性能对比
results = []
for url in urls:
result = urllib2.urlopen(url)
results.append(result)
# # ------- 对比 ------- #
# # ------- 池的大小为4 ------- #
pool = ThreadPool(4)
results = pool.map(urllib2.urlopen, urls)
# # ------- 池的大小为8 ------- #
pool = ThreadPool(8)
results = pool.map(urllib2.urlopen, urls)
# # ------- 池的大小为13 ------- #
pool = ThreadPool(13)
results = pool.map(urllib2.urlopen, urls)
结果:
单线程: 14.4 秒
池大小为4时:3.1 秒
池大小为8时:1.4 秒
池大小为13时:1.3秒
真是呱呱叫啊!也说明了试验不同的池大小是有必要的。在我的机器上,池的大小大于9后会导致性能退化(译注:咦,结果不是显示13比8的性能要好么?)。
现实中的Example 2
为千张图片创建缩略图。
来做点CPU密集型的事情!对于我,在工作中常见的任务是操作大量的图片目录。其中一种图片转换是创建缩略图。这项工作适于并行处理。
基本的单进程设置
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)
示例代码中用了一些技巧,但大体上是:向程序传入一个目录,从目录中获取所有图片,然后创建缩略图,并将缩略图存放到各自的目录中。
在我的机器上,这个程序处理大约6000张图片,花费27.9秒。
如果使用一个并行的map调用来替换for循环:
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(create_thumbnail, images)
pool.close()
pool.join()
5.6秒!
仅修改几行代码就能得到巨大的速度提升。这个程序的生产环境版本通过切分CPU密集型工作和IO密集型工作并分配到各自的进程和线程(通常是死锁代码的一个因素),获得更快的速度。然而,由于map性质清晰明确,无需手动管理线程,以干净、可靠、易于调试的方式混合匹配两者(译注:这里的“两者”是指什么?CPU密集型工作和IO密集型工作?),也是相当容易的。
就是这样了。(几乎)一行式并行解决方案。
http://blog.xiayf.cn/2015/09/11/parallelism-in-one-line/
英文原文:
http://chriskiehl.com/article/parallelism-in-one-line/