Python并行處理實(shí)戰(zhàn)之如何使用ProcessPoolExecutor加速計算

更新時間：2025年06月13日 17:24:12 作者：engchina

Python提供了多種并行處理的方式,其中concurrent.futures模塊的ProcessPoolExecutor是一個非常強(qiáng)大且易于使用的工具,本文將通過一個實(shí)際示例,展示如何使用ProcessPoolExecutor進(jìn)行并行處理,并詳細(xì)解釋代碼的工作原理,感興趣的朋友跟隨小編一起看看吧

簡介

在現(xiàn)代計算中，并行處理是提高程序性能的重要手段。Python提供了多種并行處理的方式，其中concurrent.futures模塊的ProcessPoolExecutor是一個非常強(qiáng)大且易于使用的工具。本文將通過一個實(shí)際示例，展示如何使用ProcessPoolExecutor進(jìn)行并行處理，并詳細(xì)解釋代碼的工作原理。

完整代碼示例

import time
import multiprocessing
from concurrent.futures import ProcessPoolExecutor, as_completed
from typing import List
def process_numbers(chunk: List[int], factor: int) -> str:
    """
    處理數(shù)字的函數(shù)，通過將它們乘以因子來模擬處理。
    這個函數(shù)接受一個數(shù)字列表和一個因子，計算列表中每個數(shù)字乘以因子的和，
    并返回結(jié)果字符串。
    """
    result = sum(x * factor for x in chunk)
    time.sleep(0.1)  # 使用睡眠模擬工作
    return f"處理的塊和: {result}"
def main(numbers: List[int] = None, num_chunks: int = 10, factor: int = 2):
    """
    演示并行處理的主函數(shù)。
    這個函數(shù)負(fù)責(zé)設(shè)置日志記錄、生成數(shù)字列表、確定最佳工作進(jìn)程數(shù)量、
    將數(shù)字分成塊，并使用ProcessPoolExecutor進(jìn)行并行處理。
    """
    import logging
    logging.basicConfig(level=logging.INFO)
    _log = logging.getLogger(__name__)
    # 如果沒有提供數(shù)字，則生成示例列表
    if numbers is None:
        numbers = list(range(1, 101))  # 生成1到100的數(shù)字
    total_numbers = len(numbers)
    _log.info(f"開始并行處理 {total_numbers} 個數(shù)字")
    cpu_count = multiprocessing.cpu_count()
    _log.info(f"檢測到 {cpu_count} 個CPU核心")
    # 確定最佳工作進(jìn)程數(shù)量
    optimal_workers = min(cpu_count, num_chunks)
    _log.info(f"使用 {optimal_workers} 個工作進(jìn)程")
    # 計算塊大小
    chunk_size = max(1, total_numbers // optimal_workers)
    _log.info(f"每個塊包含 {chunk_size} 個數(shù)字")
    # 將數(shù)字分成塊
    chunks = [numbers[i:i + chunk_size] for i in range(0, total_numbers, chunk_size)]
    _log.info(f"總共生成了 {len(chunks)} 個塊")
    start_time = time.time()
    processed_count = 0
    # 使用ProcessPoolExecutor進(jìn)行并行處理
    with ProcessPoolExecutor(max_workers=optimal_workers) as executor:
        _log.info("啟動ProcessPoolExecutor")
        # 提交所有任務(wù)
        futures = [executor.submit(process_numbers, chunk, factor) for chunk in chunks]
        _log.info(f"提交了 {len(futures)} 個任務(wù)")
        # 等待完成并收集結(jié)果
        for future in as_completed(futures):
            try:
                result = future.result()
                processed_count += 1
                _log.info(f"{'#'*50}\n{result} ({processed_count}/{len(chunks)} 總計)\n{'#'*50}")
            except Exception as e:
                _log.error(f"處理塊時出錯: {str(e)}")
                raise
    elapsed_time = time.time() - start_time
    _log.info(f"并行處理完成，耗時 {elapsed_time:.2f} 秒。")
if __name__ == "__main__":
    # 使用數(shù)字列表的示例
    main()

代碼解釋

1. 導(dǎo)入必要的模塊

import time
import multiprocessing
from concurrent.futures import ProcessPoolExecutor, as_completed
from typing import List

這些模塊提供了我們需要的并行處理功能和類型提示。

2. 定義處理函數(shù)

def process_numbers(chunk: List[int], factor: int) -> str:
    """
    處理數(shù)字的函數(shù)，通過將它們乘以因子來模擬處理。
    這個函數(shù)接受一個數(shù)字列表和一個因子，計算列表中每個數(shù)字乘以因子的和，
    并返回結(jié)果字符串。
    """
    result = sum(x * factor for x in chunk)
    time.sleep(0.1)  # 使用睡眠模擬工作
    return f"處理的塊和: {result}"

這個函數(shù)模擬了對數(shù)字列表的處理，通過將每個數(shù)字乘以一個因子并求和。time.sleep(0.1)用于模擬實(shí)際工作。

3. 主函數(shù)

def main(numbers: List[int] = None, num_chunks: int = 10, factor: int = 2):
    """
    演示并行處理的主函數(shù)。
    這個函數(shù)負(fù)責(zé)設(shè)置日志記錄、生成數(shù)字列表、確定最佳工作進(jìn)程數(shù)量、
    將數(shù)字分成塊，并使用ProcessPoolExecutor進(jìn)行并行處理。
    """
    import logging
    logging.basicConfig(level=logging.INFO)
    _log = logging.getLogger(__name__)

主函數(shù)負(fù)責(zé)設(shè)置日志記錄、生成數(shù)字列表、確定最佳工作進(jìn)程數(shù)量、將數(shù)字分成塊，并使用ProcessPoolExecutor進(jìn)行并行處理。

4. 生成數(shù)字列表

    # 如果沒有提供數(shù)字，則生成示例列表
    if numbers is None:
        numbers = list(range(1, 101))  # 生成1到100的數(shù)字

如果沒有提供數(shù)字列表，則生成1到100的數(shù)字列表。

5. 確定最佳工作進(jìn)程數(shù)量

    cpu_count = multiprocessing.cpu_count()
    _log.info(f"檢測到 {cpu_count} 個CPU核心")
    # 確定最佳工作進(jìn)程數(shù)量
    optimal_workers = min(cpu_count, num_chunks)
    _log.info(f"使用 {optimal_workers} 個工作進(jìn)程")

根據(jù)CPU核心數(shù)和用戶指定的塊數(shù)，確定最佳工作進(jìn)程數(shù)量。

6. 將數(shù)字分成塊

    # 計算塊大小
    chunk_size = max(1, total_numbers // optimal_workers)
    _log.info(f"每個塊包含 {chunk_size} 個數(shù)字")
    # 將數(shù)字分成塊
    chunks = [numbers[i:i + chunk_size] for i in range(0, total_numbers, chunk_size)]
    _log.info(f"總共生成了 {len(chunks)} 個塊")

將數(shù)字列表分成多個塊，每個塊的大小根據(jù)總數(shù)和工作進(jìn)程數(shù)量計算。

7. 并行處理

    start_time = time.time()
    processed_count = 0
    # 使用ProcessPoolExecutor進(jìn)行并行處理
    with ProcessPoolExecutor(max_workers=optimal_workers) as executor:
        _log.info("啟動ProcessPoolExecutor")
        # 提交所有任務(wù)
        futures = [executor.submit(process_numbers, chunk, factor) for chunk in chunks]
        _log.info(f"提交了 {len(futures)} 個任務(wù)")
        # 等待完成并收集結(jié)果
        for future in as_completed(futures):
            try:
                result = future.result()
                processed_count += 1
                _log.info(f"{'#'*50}\n{result} ({processed_count}/{len(chunks)} 總計)\n{'#'*50}")
            except Exception as e:
                _log.error(f"處理塊時出錯: {str(e)}")
                raise

使用ProcessPoolExecutor進(jìn)行并行處理，提交所有任務(wù)并等待完成。

8. 計算耗時

    elapsed_time = time.time() - start_time
    _log.info(f"并行處理完成，耗時 {elapsed_time:.2f} 秒。")

計算并行處理的總耗時并輸出。

并行處理的基本概念和優(yōu)勢

并行處理是指同時執(zhí)行多個任務(wù)，以提高程序的執(zhí)行效率。Python的concurrent.futures模塊提供了一個高級接口，用于并行執(zhí)行任務(wù)。ProcessPoolExecutor是其中一個重要的類，它使用多進(jìn)程來并行執(zhí)行任務(wù)。

并行處理的優(yōu)勢包括：

提高程序的執(zhí)行效率
充分利用多核CPU的計算能力
簡化多線程或多進(jìn)程編程的復(fù)雜性

如何運(yùn)行和測試這個示例

將上述代碼保存為parallel_processing_example.py文件。
確保你的Python環(huán)境中安裝了必要的模塊（本示例不需要額外安裝模塊）。
在終端或命令行中運(yùn)行以下命令：

python parallel_processing_example.py

你將看到程序的執(zhí)行過程和并行處理的結(jié)果。

總結(jié)

通過這個示例，我們展示了如何使用Python的ProcessPoolExecutor進(jìn)行并行處理。并行處理是提高程序性能的重要手段，特別是在處理大量數(shù)據(jù)或計算密集型任務(wù)時。希望這個示例能幫助你更好地理解并行處理的概念和實(shí)現(xiàn)。

到此這篇關(guān)于Python并行處理實(shí)戰(zhàn)之如何使用ProcessPoolExecutor加速計算的文章就介紹到這了,更多相關(guān)Python ProcessPoolExecutor加速計算內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: