Python 在程序并行化方面多少有些聲名狼藉。撇開(kāi)技術(shù)上的問(wèn)題，例如線程的實(shí)現(xiàn)和 GIL，我覺(jué)得錯(cuò)誤的教學(xué)指導(dǎo)才是主要問(wèn)題。常見(jiàn)的經(jīng)典 Python 多線程、多進(jìn)程教程多顯得偏"重"。而且往往隔靴搔癢，沒(méi)有深入探討日常工作中最有用的內(nèi)容。

傳統(tǒng)的例子

簡(jiǎn)單搜索下"Python 多線程教程"，不難發(fā)現(xiàn)幾乎所有的教程都給出涉及類(lèi)和隊(duì)列的例子：

1. #Example.py

2. '''

3. Standard Producer/Consumer Threading Pattern

4. '''

6. importtime

7. importthreading

8. importQueue

10. classConsumer(threading.Thread):

11. def__init__(self,queue):

12. threading.Thread.__init__(self)

13. self._queue =queue

15. defrun(self):

16. whileTrue:

17. # queue.get() blocks the current thread until

18. # an item is retrieved.

19. msg =self._queue.get()

20. # Checks if the current message is

21. # the "Poison Pill"

22. ifisinstance(msg,str)andmsg =='quit':

23. # if so, exists the loop

24. break

25. # "Processes" (or in our case, prints) the queue item

26. print"I'm a thread, and I received %s!!"%msg

27. # Always be friendly!

28. print'Bye byes!'

31. defProducer():

32. # Queue is used to share items between

33. # the threads.

34. queue =Queue.Queue()

36. # Create an instance of the worker

37. worker =Consumer(queue)

38. # start calls the internal run() method to

39. # kick off the thread

40. worker.start()

42. # variable to keep track of when we started

43. start_time =time.time()

44. # While under 5 seconds..

45. whiletime.time()-start_time <5:

46. # "Produce" a piece of work and stick it in

47. # the queue for the Consumer to process

48. queue.put('something at %s'%time.time())

49. # Sleep a bit just to avoid an absurd number of messages

50. time.sleep(1)

52. # This the "poison pill" method of killing a thread.

53. queue.put('quit')

54. # wait for the thread to close down

55. worker.join()

59. Producer()

哈，看起來(lái)有些像 Java 不是嗎？

我并不是說(shuō)使用生產(chǎn)者/消費(fèi)者模型處理多線程/多進(jìn)程任務(wù)是錯(cuò)誤的（事實(shí)上，這一模型自有其用武之地）。只是，處理日常腳本任務(wù)時(shí)我們可以使用更有效率的模型。

問(wèn)題在于…

首先，你需要一個(gè)樣板類(lèi)；

其次，你需要一個(gè)隊(duì)列來(lái)傳遞對(duì)象；

而且，你還需要在通道兩端都構(gòu)建相應(yīng)的方法來(lái)協(xié)助其工作（如果需想要進(jìn)行雙向通信或是保存結(jié)果還需要再引入一個(gè)隊(duì)列）。

worker 越多，問(wèn)題越多

按照這一思路，你現(xiàn)在需要一個(gè) worker 線程的線程池。下面是一篇 IBM 經(jīng)典教程中的例子——在進(jìn)行網(wǎng)頁(yè)檢索時(shí)通過(guò)多線程進(jìn)行加速。

1. #Example2.py

2. '''

3. A more realistic thread pool example

4. '''

6. importtime

7. importthreading

8. importQueue

9. importurllib2

11. classConsumer(threading.Thread):

12. def__init__(self,queue):

13. threading.Thread.__init__(self)

14. self._queue =queue

16. defrun(self):

17. whileTrue:

18. content =self._queue.get()

19. ifisinstance(content,str)andcontent =='quit':

20. break

21. response =urllib2.urlopen(content)

22. print'Bye byes!'

25. defProducer():

26. urls =[

27. 'http://www.python.org','http://www.yahoo.com'

28. 'http://www.scala.org','http://www.google.com'

29. # etc..

30. ]

31. queue =Queue.Queue()

32. worker_threads =build_worker_pool(queue,4)

33. start_time =time.time()

35. # Add the urls to process

36. forurl inurls:

37. queue.put(url)

38. # Add the poison pillv

39. forworker inworker_threads:

40. queue.put('quit')

41. forworker inworker_threads:

42. worker.join()

44. print'Done! Time taken: {}'.format(time.time()-start_time)

46. defbuild_worker_pool(queue,size):

47. workers =[]

48. for_ inrange(size):

49. worker =Consumer(queue)

50. worker.start()

51. workers.append(worker)

52. returnworkers

55. Producer()

這段代碼能正確的運(yùn)行，但仔細(xì)看看我們需要做些什么：構(gòu)造不同的方法、追蹤一系列的線程，還有為了解決惱人的死鎖問(wèn)題，我們需要進(jìn)行一系列的 join 操作。這還只是開(kāi)始……

至此我們回顧了經(jīng)典的多線程教程，多少有些空洞不是嗎？樣板化而且易出錯(cuò)，這樣事倍功半的風(fēng)格顯然不那么適合日常使用，好在我們還有更好的方法。

何不試試 map

map 這一小巧精致的函數(shù)是簡(jiǎn)捷實(shí)現(xiàn) Python 程序并行化的關(guān)鍵。map 源于 Lisp 這類(lèi)函數(shù)式編程語(yǔ)言。它可以通過(guò)一個(gè)序列實(shí)現(xiàn)兩個(gè)函數(shù)之間的映射。

1. urls =['http://www.yahoo.com','http://www.reddit.com']

2. results =map(urllib2.urlopen,urls)

上面的這兩行代碼將 urls 這一序列中的每個(gè)元素作為參數(shù)傳遞到 urlopen 方法中，并將所有結(jié)果保存到 results 這一列表中。其結(jié)果大致相當(dāng)于：

1. results =[]

2. forurl inurls:

3. results.append(urllib2.urlopen(url))

map 函數(shù)一手包辦了序列操作、參數(shù)傳遞和結(jié)果保存等一系列的操作。

為什么這很重要呢？這是因?yàn)榻柚_的庫(kù)，map 可以輕松實(shí)現(xiàn)并行化操作。

在 Python 中有個(gè)兩個(gè)庫(kù)包含了 map 函數(shù)： multiprocessing 和它鮮為人知的子庫(kù) multiprocessing.dummy.

這里多扯兩句： multiprocessing.dummy？ mltiprocessing 庫(kù)的線程版克隆？這是蝦米？即便在 multiprocessing 庫(kù)的官方文檔里關(guān)于這一子庫(kù)也只有一句相關(guān)描述。而這句描述譯成人話基本就是說(shuō):"嘛，有這么個(gè)東西，你知道就成."相信我，這個(gè)庫(kù)被嚴(yán)重低估了！

dummy 是 multiprocessing 模塊的完整克隆，唯一的不同在于 multiprocessing 作用于進(jìn)程，而 dummy 模塊作用于線程（因此也包括了 Python 所有常見(jiàn)的多線程限制）。

所以替換使用這兩個(gè)庫(kù)異常容易。你可以針對(duì) IO 密集型任務(wù)和 CPU 密集型任務(wù)來(lái)選擇不同的庫(kù)。

動(dòng)手嘗試

使用下面的兩行代碼來(lái)引用包含并行化 map 函數(shù)的庫(kù)：

1. frommultiprocessing importPool

2. frommultiprocessing.dummy importPoolasThreadPool

實(shí)例化 Pool 對(duì)象：

1. pool =ThreadPool()

這條簡(jiǎn)單的語(yǔ)句替代了 example2.py 中 buildworkerpool 函數(shù) 7 行代碼的工作。它生成了一系列的 worker 線程并完成初始化工作、將它們儲(chǔ)存在變量中以方便訪問(wèn)。

Pool 對(duì)象有一些參數(shù)，這里我所需要關(guān)注的只是它的第一個(gè)參數(shù)：processes. 這一參數(shù)用于設(shè)定線程池中的線程數(shù)。其默認(rèn)值為當(dāng)前機(jī)器 CPU 的核數(shù)。

一般來(lái)說(shuō)，執(zhí)行 CPU 密集型任務(wù)時(shí)，調(diào)用越多的核速度就越快。但是當(dāng)處理網(wǎng)絡(luò)密集型任務(wù)時(shí)，事情有有些難以預(yù)計(jì)了，通過(guò)實(shí)驗(yàn)來(lái)確定線程池的大小才是明智的。

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

線程數(shù)過(guò)多時(shí)，切換線程所消耗的時(shí)間甚至?xí)^(guò)實(shí)際工作時(shí)間。對(duì)于不同的工作，通過(guò)嘗試來(lái)找到線程池大小的最優(yōu)值是個(gè)不錯(cuò)的主意。

創(chuàng)建好 Pool 對(duì)象后，并行化的程序便呼之欲出了。我們來(lái)看看改寫(xiě)后的 example2.py

1. importurllib2

2. frommultiprocessing.dummy importPoolasThreadPool

4. urls =[

5. 'http://www.python.org',

6. 'http://www.python.org/about/',

7. 'http://www.onlamp.com/pub/a/python/2003/04/17/metaclasses.html',

8. 'http://www.python.org/doc/',

9. 'http://www.python.org/download/',

10. 'http://www.python.org/getit/',

11. 'http://www.python.org/community/',

12. 'https://wiki.python.org/moin/',

13. 'http://planet.python.org/',

14. 'https://wiki.python.org/moin/LocalUserGroups',

15. 'http://www.python.org/psf/',

16. 'http://docs.python.org/devguide/',

17. 'http://www.python.org/community/awards/'

18. # etc..

19. ]

21. # Make the Pool of workers

22. pool =ThreadPool(4)

23. # Open the urls in their own threads

24. # and return the results

25. results =pool.map(urllib2.urlopen,urls)

26. #close the pool and wait for the work to finish

27. pool.close()

28. pool.join()

實(shí)際起作用的代碼只有 4 行，其中只有一行是關(guān)鍵的。map 函數(shù)輕而易舉的取代了前文中超過(guò) 40 行的例子。為了更有趣一些，我統(tǒng)計(jì)了不同方法、不同線程池大小的耗時(shí)情況。

1. # results = []

2. # for url in urls:

3. # result = urllib2.urlopen(url)

4. # results.append(result)

6. # # ------- VERSUS ------- #

9. # # ------- 4 Pool ------- #

10. # pool = ThreadPool(4)

11. # results = pool.map(urllib2.urlopen, urls)

13. # # ------- 8 Pool ------- #

15. # pool = ThreadPool(8)

16. # results = pool.map(urllib2.urlopen, urls)

18. # # ------- 13 Pool ------- #

20. # pool = ThreadPool(13)

21. # results = pool.map(urllib2.urlopen, urls)

結(jié)果：

1. # Single thread: 14.4 Seconds

2. # 4 Pool: 3.1 Seconds

3. # 8 Pool: 1.4 Seconds

4. # 13 Pool: 1.3 Seconds

很棒的結(jié)果不是嗎？這一結(jié)果也說(shuō)明了為什么要通過(guò)實(shí)驗(yàn)來(lái)確定線程池的大小。在我的機(jī)器上當(dāng)線程池大小大于 9 帶來(lái)的收益就十分有限了。

另一個(gè)真實(shí)的例子

生成上千張圖片的縮略圖

這是一個(gè) CPU 密集型的任務(wù)，并且十分適合進(jìn)行并行化。

基礎(chǔ)單進(jìn)程版本

1. importos

2. importPIL

4. frommultiprocessing importPool

5. fromPIL importImage

7. SIZE =(75,75)

8. SAVE_DIRECTORY ='thumbs'

10. defget_image_paths(folder):

11. return(os.path.join(folder,f)

12. forf inos.listdir(folder)

13. if'jpeg'inf)

15. defcreate_thumbnail(filename):

16. im =Image.open(filename)

17. im.thumbnail(SIZE,Image.ANTIALIAS)

18. base,fname =os.path.split(filename)

19. save_path =os.path.join(base,SAVE_DIRECTORY,fname)

20. im.save(save_path)

23. folder =os.path.abspath(

24. '11_18_2013_R000_IQM_Big_Sur_Mon__e10d1958e7b766c3e840')

25. os.mkdir(os.path.join(folder,SAVE_DIRECTORY))

27. images =get_image_paths(folder)

29. forimage inimages:

30. create_thumbnail(Image)

上邊這段代碼的主要工作就是將遍歷傳入的文件夾中的圖片文件，一一生成縮略圖，并將這些縮略圖保存到特定文件夾中。

這我的機(jī)器上，用這一程序處理 6000 張圖片需要花費(fèi) 27.9 秒。

如果我們使用 map 函數(shù)來(lái)代替 for 循環(huán)：

1. importos

2. importPIL

4. frommultiprocessing importPool

5. fromPIL importImage

7. SIZE =(75,75)

8. SAVE_DIRECTORY ='thumbs'

10. defget_image_paths(folder):

11. return(os.path.join(folder,f)

12. forf inos.listdir(folder)

13. if'jpeg'inf)

15. defcreate_thumbnail(filename):

16. im =Image.open(filename)

17. im.thumbnail(SIZE,Image.ANTIALIAS)

18. base,fname =os.path.split(filename)

19. save_path =os.path.join(base,SAVE_DIRECTORY,fname)

20. im.save(save_path)

23. folder =os.path.abspath(

24. '11_18_2013_R000_IQM_Big_Sur_Mon__e10d1958e7b766c3e840')

25. os.mkdir(os.path.join(folder,SAVE_DIRECTORY))

27. images =get_image_paths(folder)

29. pool =Pool()

30. pool.map(creat_thumbnail,images)

31. pool.close()

32. pool.join()

5.6 秒！

雖然只改動(dòng)了幾行代碼，我們卻明顯提高了程序的執(zhí)行速度。在生產(chǎn)環(huán)境中，我們可以為 CPU 密集型任務(wù)和 IO 密集型任務(wù)分別選擇多進(jìn)程和多線程庫(kù)來(lái)進(jìn)一步提高執(zhí)行速度——這也是解決死鎖問(wèn)題的良方。此外，由于 map 函數(shù)并不支持手動(dòng)線程管理，反而使得相關(guān)的 debug 工作也變得異常簡(jiǎn)單。

到這里，我們就實(shí)現(xiàn)了（基本）通過(guò)一行 Python 實(shí)現(xiàn)并行化。

Update:

譯文已獲作者 Chris 授權(quán)