歡迎光臨
每天分享高質量文章

一行 Python 代碼實現並行

(點擊上方公眾號,可快速關註一起學Python)

譯者:caspar  譯文:

https://segmentfault.com/a/1190000000414339

原文:https://medium.com/building-things-on-the-internet/40e9b2b36148

Python 在程式並行化方面多少有些聲名狼藉。撇開技術上的問題,例如執行緒的實現和 GIL,我覺得錯誤的教學指導才是主要問題。常見的經典 Python 多執行緒、多行程教程多顯得偏”重”。而且往往隔靴搔癢,沒有深入探討日常工作中最有用的內容。

傳統的例子

簡單搜索下”Python 多執行緒教程”,不難發現幾乎所有的教程都給出涉及類和佇列的例子:

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(creat_thumbnail, images)
    pool.close()
    pool.join()

哈,看起來有些像 Java 不是嗎?

我並不是說使用生產者/消費者模型處理多執行緒/多行程任務是錯誤的(事實上,這一模型自有其用武之地)。只是,處理日常腳本任務時我們可以使用更有效率的模型。

問題在於…

首先,你需要一個樣板類; 
其次,你需要一個佇列來傳遞物件; 
而且,你還需要在通道兩端都構建相應的方法來協助其工作(如果需想要進行雙向通信或是儲存結果還需要再引入一個佇列)。

worker 越多,問題越多

按照這一思路,你現在需要一個 worker 執行緒的執行緒池。下麵是一篇 IBM 經典教程中的例子——在進行網頁檢索時通過多執行緒進行加速。

#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()

這段代碼能正確的運行,但仔細看看我們需要做些什麼:構造不同的方法、追蹤一系列的執行緒,還有為瞭解決惱人的死鎖問題,我們需要進行一系列的 join 操作。這還只是開始……

至此我們回顧了經典的多執行緒教程,多少有些空洞不是嗎?樣板化而且易出錯,這樣事倍功半的風格顯然不那麼適合日常使用,好在我們還有更好的方法。

何不試試 map

map 這一小巧精緻的函式是簡捷實現 Python 程式並行化的關鍵。map 源於 Lisp 這類函式式編程語言。它可以通過一個序列實現兩個函式之間的映射。

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

上面的這兩行代碼將 urls 這一序列中的每個元素作為引數傳遞到 urlopen 方法中,並將所有結果儲存到 results 這一串列中。其結果大致相當於:

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

map 函式一手包辦了序列操作、引數傳遞和結果儲存等一系列的操作。

為什麼這很重要呢?這是因為借助正確的庫,map 可以輕鬆實現並行化操作。

在 Python 中有個兩個庫包含了 map 函式: multiprocessing 和它鮮為人知的子庫 multiprocessing.dummy.

這裡多扯兩句: multiprocessing.dummy? mltiprocessing 庫的執行緒版克隆?這是蝦米?即便在 multiprocessing 庫的官方文件里關於這一子庫也只有一句相關描述。而這句描述譯成人話基本就是說:”嘛,有這麼個東西,你知道就成.”相信我,這個庫被嚴重低估了!

dummy 是 multiprocessing 模塊的完整克隆,唯一的不同在於 multiprocessing 作用於行程,而 dummy 模塊作用於執行緒(因此也包括了 Python 所有常見的多執行緒限制)。 
所以替換使用這兩個庫異常容易。你可以針對 IO 密集型任務和 CPU 密集型任務來選擇不同的庫。

動手嘗試

使用下麵的兩行代碼來取用包含並行化 map 函式的庫:

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

實體化 Pool 物件:

pool = ThreadPool()

這條簡單的陳述句替代了 example2.py 中 buildworkerpool 函式 7 行代碼的工作。它生成了一系列的 worker 執行緒並完成初始化工作、將它們儲存在變數中以方便訪問。

Pool 物件有一些引數,這裡我所需要關註的只是它的第一個引數:processes. 這一引數用於設定執行緒池中的執行緒數。其預設值為當前機器 CPU 的核數。

一般來說,執行 CPU 密集型任務時,呼叫越多的核速度就越快。但是當處理網絡密集型任務時,事情有有些難以預計了,通過實驗來確定執行緒池的大小才是明智的。

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

執行緒數過多時,切換執行緒所消耗的時間甚至會超過實際工作時間。對於不同的工作,通過嘗試來找到執行緒池大小的最優值是個不錯的主意。

創建好 Pool 物件後,並行化的程式便呼之欲出了。我們來看看改寫後的 example2.py

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()

實際起作用的代碼只有 4 行,其中只有一行是關鍵的。map 函式輕而易舉的取代了前文中超過 40 行的例子。為了更有趣一些,我統計了不同方法、不同執行緒池大小的耗時情況。

# 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)

結果:

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

很棒的結果不是嗎?這一結果也說明瞭為什麼要通過實驗來確定執行緒池的大小。在我的機器上當執行緒池大小大於 9 帶來的收益就十分有限了。

另一個真實的例子

生成上千張圖片的縮略圖 
這是一個 CPU 密集型的任務,並且十分適合進行並行化。

基礎單行程版本

 

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)

上邊這段代碼的主要工作就是將遍歷傳入的檔案夾中的圖片檔案,一一生成縮略圖,並將這些縮略圖儲存到特定檔案夾中。

這我的機器上,用這一程式處理 6000 張圖片需要花費 27.9 秒。

如果我們使用 map 函式來代替 for 迴圈:

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(creat_thumbnail, images)
    pool.close()
    pool.join()

5.6 秒!

雖然只改動了幾行代碼,我們卻明顯提高了程式的執行速度。在生產環境中,我們可以為 CPU 密集型任務和 IO 密集型任務分別選擇多行程和多執行緒庫來進一步提高執行速度——這也是解決死鎖問題的良方。此外,由於 map 函式並不支持手動執行緒管理,反而使得相關的 debug 工作也變得異常簡單。

到這裡,我們就實現了(基本)通過一行 Python 實現並行化。

(完)

看完本文有收穫?請轉發分享給更多人

關註「Python那些事」,做全棧開發工程師

推薦閱讀(點擊標題可跳轉閱讀)


全面深入理解 Python 面向物件

12步輕鬆搞定 Python 裝飾器

賊好理解,這個專案教你如何用百行代碼搞定各類NLP模型

神經網絡入門

    赞(0)

    分享創造快樂