用map函數(shù)來完成Python并行任務(wù)的簡單示例

更新時間：2015年04月02日 15:22:12 作者：Chris

這篇文章主要介紹了用map函數(shù)來完成Python并行任務(wù)的簡單示例,多線程和多進(jìn)程編程的問題一直都是Python中的熱點(diǎn)和難點(diǎn),需要的朋友可以參考下

眾所周知，Python的并行處理能力很不理想。我認(rèn)為如果不考慮線程和GIL的標(biāo)準(zhǔn)參數(shù)（它們大多是合法的），其原因不是因?yàn)榧夹g(shù)不到位，而是我們的使用方法不恰當(dāng)。大多數(shù)關(guān)于Python線程和多進(jìn)程的教材雖然都很出色，但是內(nèi)容繁瑣冗長。它們的確在開篇鋪陳了許多有用信息，但往往都不會涉及真正能提高日常工作的部分。

經(jīng)典例子

DDG上以“Python threading tutorial （Python線程教程）”為關(guān)鍵字的熱門搜索結(jié)果表明：幾乎每篇文章中給出的例子都是相同的類+隊(duì)列。

事實(shí)上，它們就是以下這段使用producer/Consumer來處理線程/多進(jìn)程的代碼示例：

#Example.py
'''
Standard Producer/Consumer Threading Pattern
'''
 
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() blocks the current thread until
      # an item is retrieved.
      msg = self._queue.get()
      # Checks if the current message is
      # the "Poison Pill"
      if isinstance(msg, str) and msg == 'quit':
        # if so, exists the loop
        break
      # "Processes" (or in our case, prints) the queue item 
      print "I'm a thread, and I received %s!!" % msg
    # Always be friendly!
    print 'Bye byes!'
 
def Producer():
  # Queue is used to share items between
  # the threads.
  queue = Queue.Queue()
 
  # Create an instance of the worker
  worker = Consumer(queue)
  # start calls the internal run() method to
  # kick off the thread
  worker.start()
 
  # variable to keep track of when we started
  start_time = time.time()
  # While under 5 seconds..
  while time.time() - start_time < 5:
    # "Produce" a piece of work and stick it in
    # the queue for the Consumer to process
    queue.put('something at %s' % time.time())
    # Sleep a bit just to avoid an absurd number of messages
    time.sleep(1)
 
  # This the "poison pill" method of killing a thread.
  queue.put('quit')
  # wait for the thread to close down
  worker.join()
 
if __name__ == '__main__':
  Producer()

唔…….感覺有點(diǎn)像Java。

我現(xiàn)在并不想說明使用Producer / Consume來解決線程/多進(jìn)程的方法是錯誤的——因?yàn)樗隙ㄕ_，而且在很多情況下它是最佳方法。但我不認(rèn)為這是平時寫代碼的最佳選擇。

它的問題所在（個人觀點(diǎn)）

首先，你需要創(chuàng)建一個樣板式的鋪墊類。然后，你再創(chuàng)建一個隊(duì)列，通過其傳遞對象和監(jiān)管隊(duì)列的兩端來完成任務(wù)。（如果你想實(shí)現(xiàn)數(shù)據(jù)的交換或存儲，通常還涉及另一個隊(duì)列的參與）。

Worker越多，問題越多。

接下來，你應(yīng)該會創(chuàng)建一個worker類的pool來提高Python的速度。下面是IBM tutorial給出的較好的方法。這也是程序員們在利用多線程檢索web頁面時的常用方法。

#Example2.py
'''
A more realistic thread pool example
'''
 
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'
    # etc..
  ]
  queue = Queue.Queue()
  worker_threads = build_worker_pool(queue, 4)
  start_time = time.time()
 
  # Add the urls to process
  for url in urls:
    queue.put(url) 
  # Add the poison pillv
  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()

它的確能運(yùn)行，但是這些代碼多么復(fù)雜阿！它包括了初始化方法、線程跟蹤列表以及和我一樣容易在死鎖問題上出錯的人的噩夢——大量的join語句。而這些還僅僅只是繁瑣的開始！

我們目前為止都完成了什么？基本上什么都沒有。上面的代碼幾乎一直都只是在進(jìn)行傳遞。這是很基礎(chǔ)的方法，很容易出錯（該死，我剛才忘了在隊(duì)列對象上還需要調(diào)用task_done()方法（但是我懶得修改了）），性價(jià)比很低。還好，我們還有更好的方法。

介紹：Map

Map是一個很棒的小功能，同時它也是Python并行代碼快速運(yùn)行的關(guān)鍵。給不熟悉的人講解一下吧，map是從函數(shù)語言Lisp來的。map函數(shù)能夠按序映射出另一個函數(shù)。例如

urls = ['http://www.yahoo.com', 'http://www.reddit.com']
results = map(urllib2.urlopen, urls)

這里調(diào)用urlopen方法來把調(diào)用結(jié)果全部按序返回并存儲到一個列表里。就像：

results = []
for url in urls:
  results.append(urllib2.urlopen(url))

Map按序處理這些迭代。調(diào)用這個函數(shù)，它就會返回給我們一個按序存儲著結(jié)果的簡易列表。

為什么它這么厲害呢？因?yàn)橹灰辛撕线m的庫，map能使并行運(yùn)行得十分流暢！

201542151839097.png (700×400)

有兩個能夠支持通過map函數(shù)來完成并行的庫：一個是multiprocessing，另一個是鮮為人知但功能強(qiáng)大的子文件：multiprocessing.dummy。

題外話：這個是什么？你從來沒聽說過dummy多進(jìn)程庫？我也是最近才知道的。它在多進(jìn)程的說明文檔里面僅僅只被提到了一句。而且那一句就是大概讓你知道有這么個東西的存在。我敢說，這樣幾近拋售的做法造成的后果是不堪設(shè)想的！

Dummy就是多進(jìn)程模塊的克隆文件。唯一不同的是，多進(jìn)程模塊使用的是進(jìn)程，而dummy則使用線程（當(dāng)然，它有所有Python常見的限制）。也就是說，數(shù)據(jù)由一個傳遞給另一個。這能夠使得數(shù)據(jù)輕松的在這兩個之間進(jìn)行前進(jìn)和回躍，特別是對于探索性程序來說十分有用，因?yàn)槟悴挥么_定框架調(diào)用到底是IO 還是CPU模式。

準(zhǔn)備開始

要做到通過map函數(shù)來完成并行，你應(yīng)該先導(dǎo)入裝有它們的模塊：

from multiprocessing import Pool
from multiprocessing.dummy import Pool as ThreadPool

再初始化:

pool = ThreadPool()

這簡單的一句就能代替我們的build_worker_pool 函數(shù)在example2.py中的所有工作。換句話說，它創(chuàng)建了許多有效的worker，啟動它們來為接下來的工作做準(zhǔn)備，以及把它們存儲在不同的位置，方便使用。

Pool對象需要一些參數(shù)，但最重要的是：進(jìn)程。它決定pool中的worker數(shù)量。如果你不填的話，它就會默認(rèn)為你電腦的內(nèi)核數(shù)值。

如果你在CPU模式下使用多進(jìn)程pool，通常內(nèi)核數(shù)越大速度就越快（還有很多其它因素）。但是，當(dāng)進(jìn)行線程或者處理網(wǎng)絡(luò)綁定之類的工作時，情況會比較復(fù)雜所以應(yīng)該使用pool的準(zhǔn)確大小。

pool = ThreadPool(4) # Sets the pool size to 4

如果你運(yùn)行過多線程，多線程間的切換將會浪費(fèi)許多時間，所以你最好耐心調(diào)試出最適合的任務(wù)數(shù)。

我們現(xiàn)在已經(jīng)創(chuàng)建了pool對象，馬上就能有簡單的并行程序了，所以讓我們重新寫example2.py中的url opener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/'
  # etc..
  ]
 
# Make the Pool of workers
pool = ThreadPool(4)
# Open the urls in their own threads
# and return the results
results = pool.map(urllib2.urlopen, urls)
#close the pool and wait for the work to finish
pool.close()
pool.join()

看吧！這次的代碼僅用了4行就完成了所有的工作。其中3句還是簡單的固定寫法。調(diào)用map就能完成我們前面例子中40行的內(nèi)容！為了更形象地表明兩種方法的差異，我還分別給它們運(yùn)行的時間計(jì)時。

# results = []
# for url in urls:
#  result = urllib2.urlopen(url)
#  results.append(result)
 
# # ------- VERSUS ------- #
 
# # ------- 4 Pool ------- #
# pool = ThreadPool(4)
# results = pool.map(urllib2.urlopen, urls)
 
# # ------- 8 Pool ------- #
 
# pool = ThreadPool(8)
# results = pool.map(urllib2.urlopen, urls)
 
# # ------- 13 Pool ------- #
 
# pool = ThreadPool(13)
# results = pool.map(urllib2.urlopen, urls)

結(jié)果：

#            Single thread: 14.4 Seconds
#               4 Pool:  3.1 Seconds
#               8 Pool:  1.4 Seconds
#               13 Pool:  1.3 Seconds

相當(dāng)出色！并且也表明了為什么要細(xì)心調(diào)試pool的大小。在這里，只要大于9，就能使其運(yùn)行速度加快。

實(shí)例2：

生成成千上萬的縮略圖

我們在CPU模式下來完成吧！我工作中就經(jīng)常需要處理大量的圖像文件夾。其任務(wù)之一就是創(chuàng)建縮略圖。這在并行任務(wù)中已經(jīng)有很成熟的方法了。

基礎(chǔ)的單線程創(chuàng)建

import os
import PIL
 
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)

對于一個例子來說，這是有點(diǎn)難，但本質(zhì)上，這就是向程序傳遞一個文件夾，然后將其中的所有圖片抓取出來，并最終在它們各自的目錄下創(chuàng)建和儲存縮略圖。

我的電腦處理大約6000張圖片用了27.9秒。

如果我們用并行調(diào)用map來代替for循環(huán)的話：

import os
import PIL
 
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！

對于只改變了幾行代碼而言，這是大大地提升了運(yùn)行速度。這個方法還能更快，只要你將cpu 和 io的任務(wù)分別用它們的進(jìn)程和線程來運(yùn)行——但也常造成死鎖?？傊C合考慮到 map這個實(shí)用的功能，以及人為線程管理的缺失，我覺得這是一個美觀，可靠還容易debug的方法。

好了，文章結(jié)束了。一行完成并行任務(wù)。

您可能感興趣的文章: