用map函数来完成Python并行任务的简单示例

发表于 5年以前 | 总阅读数：1148 次

众所周知，Python的并行处理能力很不理想。我认为如果不考虑线程和GIL的标准参数（它们大多是合法的），其原因不是因为技术不到位，而是我们的使用方法不恰当。大多数关于Python线程和多进程的教材虽然都很出色，但是内容繁琐冗长。它们的确在开篇铺陈了许多有用信息，但往往都不会涉及真正能提高日常工作的部分。

经典例子

DDG上以"Python threading tutorial （Python线程教程）"为关键字的热门搜索结果表明：几乎每篇文章中给出的例子都是相同的类+队列。

事实上，它们就是以下这段使用producer/Consumer来处理线程/多进程的代码示例：


    #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…….感觉有点像Java。

我现在并不想说明使用Producer / Consume来解决线程/多进程的方法是错误的――因为它肯定正确，而且在很多情况下它是最佳方法。但我不认为这是平时写代码的最佳选择。

它的问题所在（个人观点）

首先，你需要创建一个样板式的铺垫类。然后，你再创建一个队列，通过其传递对象和监管队列的两端来完成任务。（如果你想实现数据的交换或存储，通常还涉及另一个队列的参与）。

Worker越多，问题越多。

接下来，你应该会创建一个worker类的pool来提高Python的速度。下面是IBM tutorial给出的较好的方法。这也是程序员们在利用多线程检索web页面时的常用方法。


    #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()

它的确能运行，但是这些代码多么复杂阿！它包括了初始化方法、线程跟踪列表以及和我一样容易在死锁问题上出错的人的噩梦――大量的join语句。而这些还仅仅只是繁琐的开始！

我们目前为止都完成了什么？基本上什么都没有。上面的代码几乎一直都只是在进行传递。这是很基础的方法，很容易出错（该死，我刚才忘了在队列对象上还需要调用task_done()方法（但是我懒得修改了）），性价比很低。还好，我们还有更好的方法。

介绍：Map

Map是一个很棒的小功能，同时它也是Python并行代码快速运行的关键。给不熟悉的人讲解一下吧，map是从函数语言Lisp来的。map函数能够按序映射出另一个函数。例如


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

这里调用urlopen方法来把调用结果全部按序返回并存储到一个列表里。就像：


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

Map按序处理这些迭代。调用这个函数，它就会返回给我们一个按序存储着结果的简易列表。

为什么它这么厉害呢？因为只要有了合适的库，map能使并行运行得十分流畅！

$201542151839097.png $700×400$$

有两个能够支持通过map函数来完成并行的库：一个是multiprocessing，另一个是鲜为人知但功能强大的子文件：multiprocessing.dummy。

题外话：这个是什么？你从来没听说过dummy多进程库？我也是最近才知道的。它在多进程的说明文档里面仅仅只被提到了一句。而且那一句就是大概让你知道有这么个东西的存在。我敢说，这样几近抛售的做法造成的后果是不堪设想的！

Dummy就是多进程模块的克隆文件。唯一不同的是，多进程模块使用的是进程，而dummy则使用线程（当然，它有所有Python常见的限制）。也就是说，数据由一个传递给另一个。这能够使得数据轻松的在这两个之间进行前进和回跃，特别是对于探索性程序来说十分有用，因为你不用确定框架调用到底是IO 还是CPU模式。

准备开始

要做到通过map函数来完成并行，你应该先导入装有它们的模块：


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

再初始化:


    pool = ThreadPool()

这简单的一句就能代替我们的build_worker_pool 函数在example2.py中的所有工作。换句话说，它创建了许多有效的worker，启动它们来为接下来的工作做准备，以及把它们存储在不同的位置，方便使用。

Pool对象需要一些参数，但最重要的是：进程。它决定pool中的worker数量。如果你不填的话，它就会默认为你电脑的内核数值。

如果你在CPU模式下使用多进程pool，通常内核数越大速度就越快（还有很多其它因素）。但是，当进行线程或者处理网络绑定之类的工作时，情况会比较复杂所以应该使用pool的准确大小。


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

如果你运行过多线程，多线程间的切换将会浪费许多时间，所以你最好耐心调试出最适合的任务数。

我们现在已经创建了pool对象，马上就能有简单的并行程序了，所以让我们重新写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！这次的代码仅用了4行就完成了所有的工作。其中3句还是简单的固定写法。调用map就能完成我们前面例子中40行的内容！为了更形象地表明两种方法的差异，我还分别给它们运行的时间计时。


    # 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)

结果：


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

相当出色！并且也表明了为什么要细心调试pool的大小。在这里，只要大于9，就能使其运行速度加快。

实例2：

生成成千上万的缩略图

我们在CPU模式下来完成吧！我工作中就经常需要处理大量的图像文件夹。其任务之一就是创建缩略图。这在并行任务中已经有很成熟的方法了。

基础的单线程创建


    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)

对于一个例子来说，这是有点难，但本质上，这就是向程序传递一个文件夹，然后将其中的所有图片抓取出来，并最终在它们各自的目录下创建和储存缩略图。

我的电脑处理大约6000张图片用了27.9秒。

如果我们用并行调用map来代替for循环的话：


    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！

对于只改变了几行代码而言，这是大大地提升了运行速度。这个方法还能更快，只要你将cpu 和 io的任务分别用它们的进程和线程来运行――但也常造成死锁。总之，综合考虑到 map这个实用的功能，以及人为线程管理的缺失，我觉得这是一个美观，可靠还容易debug的方法。

好了，文章结束了。一行完成并行任务。