快速掌握用python写并行程序设计_python并行编程

一、编程思想

并行编程的思想：分而治之，有两种模型

1.MapReduce:将任务划分为可并行的多个子任务，每个子任务完成后合并得到结果

例子：统计不同形状的个数。

先通过map进行映射到多个子任务，分别统计个数，然后在用reduce进行归纳一下。

2.流水：将任务分为串行的多个子任务，每个子任务并行。ProductConsume

例子：

多个生产者进行并行，多个消费者进行并行。生产者生产出来东西放到队列里；队列里有东西时，消费者就可以进行消费，这样双方没有太大的依赖关系。

为什么要并行编程呢？

多核，云计算，使得实现并行编程的条件更容易满足。

大数据(导致数据多)，机器学习(复杂)，高并发，使得并行编程很必要。

为什么很少用呢？

任务分割，共享数据的访问，死锁，互斥，信号量，利用管道，队列通信。线程，进程的管理。

这些概念使得并行编程的实现看上去很难

怎么学并行编程？

库：　　Threading,实现多线程

Multiprocess,实现多进程

Parallepython,实现分布式计算，同时解决CPU和网络资源受限问题。

Celery+RabbitMQ/Redis，可实现分布式任务队列 Django和它搭配可实现异步任务队列

Gevent，可实现高效异步IO，协成

2.进程和线程

CPU同一时刻只能调度一个进程，进程之间memory独立，进程内线程共享memory。

我们主要解决的问题是：

进程间通信问题；

线程间同步问题

例子：计算10000000000自减到0，然后用多进程和多线程计算，看看他们用时多久

#-*- coding: utf-8 -*-#CopyRight by heibanke

importtimefrom threading importThreadfrom multiprocessing importProcessdefcountdown(n):while n >0:

n-= 1COUNT= 100000000 #1亿

defthread_process_job(n, Thread_Process, job):"""n: 多线程或多进程数

Thread_Process: Thread／Process类

job: countdown任务"""local_time=time.time()#实例化多线程或多进程

threads_or_processes = [Thread_Process(target=job,args=(COUNT//n,)) for i in xrange(n)]#学习这种写法，很高大上，把不同的类放到列表里边

#threads_or_processes中保存了三个Thread_process个对象

for t inthreads_or_processes:

t.start()#开始线程或进程，必须调用

for t inthreads_or_processes:

t.join()#等待直到该线程或进程结束

#join的作用是阻塞进程，直到所有的线程执行完毕之后，才可以执行后边的语句

print n,Thread_Process.__name__,"run job need",time.time()-local_timeif __name__=="__main__":print "Multi Threads"

for i in [1,2,4]:

thread_process_job(i,Thread, countdown)print "Multi Process"

for i in [1,2,4]:

thread_process_job(i,Process, countdown)

输出结果：

从结果中看出来，多线程时，随着线程的增多，时间反而更多；多进程随着进程的增多，时间变少。原因是python的GIL机制

GIL

当有多个线程的时候，并不是真的是并行运行的，实际上有一个锁，谁申请到了谁运行

在python的原始解释器CPython中存在着GIL(Global Interpreter Lock，全局解释器锁)，因此在解释执行python代码时，会产生互斥锁来限制线程对共享资源的访问，直到解释器遇到I/O操作或者操作次数达到一定数目时才会释放GIL。

所以，虽然CPython的线程库直接封装了系统的原生线程，但CPython整体作为一个进程，同一时间只会有一个获得GIL的线程在跑，其他线程则处于等待状态。这就造成了即使在多核CPU中，多线程也只是做着分时切换而已。

所以它更适合处理I/O密集型的任务，不适合处理CPU密集型的任务。

不过muiltprocessing的出现，已经可以让多进程的python代码编写简化到了类似多线程的程度了。(链接：https://www.zhihu.com/question/23474039/answer/35418893)

这是两个线程在运行，并不是并行，而是串行，红色的线表示在申请cpu

四个线程在运行

进程可以快，而线程反而慢的原因是，我的电脑有多个核，进程可以进行并行的，而线程在python里边还是串行的，申请cpu也需要花费时间的

三、I/O密集型任务

I/O密集型任务是诸如频繁的磁盘读取，或者通过网络进行获取数据，如爬虫

比如，第一个线程运行，然后遇到I/O请求，这个I/O请求不会满上满足你，所以就切换到线程2上进行，过了会儿，线程2也有I/O请求，所以切换到线程3，然后线程3也有I/O请求，此时线程1的I/O请求完成，然后切换到线程1运行……

举例：对韩寒博客进行爬取

步骤：

1.获取urls；

2.将urls分给不同的进程或线程(相当于分配子任务)；

3.多进程/线程抓取

分析：韩寒网站是：http://blog.sina.com.cn/s/articlelist_1191258123_0_1.html

如图示，第几页，对应的相应的网址的箭头部位就变成几，所以我们用下面语句获取每一页的内容：

for i in xrange(7):#这里的extend要注意，是在list后边接上

#list.extend(seq)：在列表末尾一次性追加另一个序列中的多个值(用新列表扩展原来的列表)

#str(i+1)，因为我们从网站中可以看到，每一页的变化，第一页网站的此处就是1，第二页就是2，以此类推，一共七页

urls.extend(parseTarget('http://blog.sina.com.cn/s/articlelist_1191258123_0_'+str(i+1)+'.html'))

总的程序如下所示：

#!/usr/bin/env python#coding: utf-8#copyRight by heibanke

importurllibimportosimportrefrom threading importThreadfrom multiprocessing importProcessimporttimedefdownloadURL(urls,dirpath):"""urls: 需要下载的url列表

dirpath: 下载的本地路径"""

for url inurls:if len(url)>0:#print "current process id is ",os.getpid()

content =urllib.urlopen(url).read()if notos.path.exists(dirpath):

os.makedirs(dirpath)#dirpath实际上是文件夹，例如是1Process，+后边的文件夹中的文件名字

#把从网址中读到的所有信息存到该文件中

#url[-26:]是取url的倒数26个，'w'是写模式

open(dirpath+r'/'+url[-26:],'w').write(content)defparseTarget(url):"""根据目标url获取文章列表的urls"""urls=[]

content=urllib.urlopen(url).read()#{.*} -- 尽可能多的吸取匹配字符串 (贪婪模式)

#{.*?} -- 只要一匹配到,就不再往后吸取字符 (懒惰模式)

pattern = r''hrefs=re.findall(pattern,content)for href inhrefs:

urls.append(href[1])#只把href读取出来

returnurlsdefthread_process_job(n, Thread_or_Process, url_list, job):"""n: 多线程或多进程数

Thread_Process: Thread／Process类

job: countdown任务"""local_time=time.time()

threads_or_processes= [Thread_or_Process(target=job,args=(url_list[i],str(n)+Thread_or_Process.__name__)) for i inxrange(n)]for t inthreads_or_processes:

t.start()for t inthreads_or_processes:

t.join()print n,Thread_or_Process.__name__,"run job need",time.time()-local_timeif __name__=="__main__":

t=time.time()

urls=[]#urls是列表，和numpy中的array要区分开

for i in xrange(7):#这里的extend要注意，是在list后边接上

#list.extend(seq)：在列表末尾一次性追加另一个序列中的多个值(用新列表扩展原来的列表)

#str(i+1)，因为我们从网站中可以看到，每一页的变化，第一页网站的此处就是1，第二页就是2，以此类推，一共七页

urls.extend(parseTarget('http://blog.sina.com.cn/s/articlelist_1191258123_0_'+str(i+1)+'.html'))

url_len=len(urls)print "total urls number is",url_lenfor n in [8,4,2,1]:#将urls分割到url_list

url_list=[]#从Python2.2开始，增加了一个操作符 // ，以执行地板除：//除法不管操作数为何种数值类型，

#总是会舍去小数部分，返回数字序列中比真正的商小的最接近的数字。

url_split_len = url_len//nfor i inxrange(n):if i==n-1:#和上边的extend区别开来

#list.append(obj)：在列表末尾添加新的对象，所以它被作为单独整体加入的

#extend是飞散成一个一个的被加入的，这里注意区别

url_list.append(urls[i*url_split_len:url_len])else:

url_list.append(urls[i*url_split_len:(i+1)*url_split_len])#分割任务后创建线程

#url_list_len=len(url_list)

#print "total urls_list number is ",url_list_len

thread_process_job(n,Thread, url_list, downloadURL)

thread_process_job(n,Process, url_list, downloadURL)print "All done in",time.time()-t

输出结果显示：

>>>total urls numberis 315

8 Thread run job need 33.6749999523

8 Process run job need 33.5950000286

4 Thread run job need 40.2200000286

4 Process run job need 90.7750000954

2 Thread run job need 86.0289998055

2 Process run job need 87.0989999771

1 Thread run job need 131.422999859

1 Process run job need 123.995000124All donein 629.394000053

>>>

由于网速等原因，时间上会有起伏。

上述代码有一个地方有问题，就是在生成目录的时候，有可能会发生一个进程/线程在创建着目录，另一个进程/线程发现没有目录，然后也创建目录的情况。

四、LOCK锁

我们可以用lock锁来保护公共资源。

还是上边用的生产者和消费者模型

没有lock的时候：

#!/usr/bin/env python#coding: utf-8#copyRight by heibanke

importtimeimportrandomimportthreading#当还剩下0个产品时，则不进行消费，待生产者生产#当生产了100个产品时，则不进行生产，待消费者消费

#生产者

classProducer(threading.Thread):def __init__(self, product,filename):

self.product=product

self.file=filename

threading.Thread.__init__(self)defrun(self):while len(self.product)<100:

tmp= random.randint(0,10)

self.product.append(tmp)print "add %d, product = %s" %(tmp,str(self.product))

fp=open(self.file,'a')

fp.write("add %d, product = %s\n" %(tmp,str(self.product)))

fp.close()

time.sleep(0.1)#time.sleep(random.randrange(5))

#消费者

classConsumer(threading.Thread):def __init__(self, product, filename):

self.product=product

self.file=filename

threading.Thread.__init__(self)defrun(self):whileTrue:if len(self.product)>0:

tmp=self.product[0]delself.product[0]print 'consum %d, product = %s'%(tmp,str(self.product))

fp=open(self.file,'a')

fp.write('consum %d, product = %s\n'%(tmp,str(self.product)))

fp.close()

time.sleep(0.1)#time.sleep(random.randrange(4))

if __name__ == '__main__':

product= [] #产品初始化时为0

for i in range(5):#五个生产者

p = Producer(product,'log.txt')

p.start()for i in range(3):#三个消费者

s = Consumer(product,'log.txt')

s.start()

会出错。

有锁的时候：

1 #!/usr/bin/env python

2 #coding: utf-8

3 #copyRight by heibanke

4

5 importtime6 importrandom7 importthreading8

9 #当还剩下0个产品时，则不进行消费，待生产者生产

10 #当生产了100个产品时，则不进行生产，待消费者消费

11

12 lock =threading.Condition()13

14 #生产者

15 classProducer(threading.Thread):16 def __init__(self, lock, product,filename):17 self._lock =lock18 self.product =product19 self.file =filename20 threading.Thread.__init__(self)21

22 defrun(self):23 whileTrue:24 ifself._lock.acquire():25 if len(self.product) >= 100:26 self._lock.wait()27 else:28 tmp = random.randint(0,10)29 self.product.append(tmp)30 print "add %d, product = %s" %(tmp,str(self.product))31 fp=open(self.file,'a')32 fp.write("add %d, product = %s\n" %(tmp,str(self.product)))33 fp.close()34 self._lock.notify()35 self._lock.release()36 time.sleep(0.1)37 #time.sleep(random.randrange(5))

38

39

40 #消费者

41 classConsumer(threading.Thread):42 def __init__(self, lock, product, filename):43 self._lock =lock44 self.product =product45 self.file=filename46 threading.Thread.__init__(self)47

48 defrun(self):49 whileTrue:50 ifself._lock.acquire():51 if len(self.product)==0:52 self._lock.wait()53 else:54 tmp =self.product[0]55 delself.product[0]56 print 'consum %d, product =%s'%(tmp,str(self.product))57 fp=open(self.file,'a')58 fp.write('consum %d, product = %s\n'%(tmp,str(self.product)))59 fp.close()60 self._lock.notify()61 self._lock.release()62 time.sleep(0.1)63 #time.sleep(random.randrange(4))

64

65

66 if __name__ == '__main__':67 product = [] #产品初始化时为0

68 for i in range(5):69 p = Producer(lock,product,'log_lock.txt')70 p.start()71

72 for i in range(3):73 s = Consumer(lock,product,'log_lock.txt')74 s.start()