Python黑魔法,一行實現并行化

Python 在程序并行化方面多少有些聲名狼藉。撇開技術上的問題,例如線程的實現和 GIL,我覺得錯誤的教學指導才是主要問題。常見的經典 Python 多線程、多進程教程多顯得偏“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 多線程教程”,不難發現幾乎所有的教程都給出涉及類和隊列的例子:
#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()
哈,看起來有些像 Java 不是嗎?
我並不是說使用生產者/消費者模型處理多線程/多進程任務是錯誤的(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,你需要一個隊列來傳遞對象;
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保存結果還需要再引入一個隊列)。
worker 越多,問題越多
按照這一思路,你現在需要一個 worker 線程的線程池。下面是 一篇 IBM 經典教程 中的例子——在進行網頁檢索時通過多線程進行加速。
#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、追蹤一系列的線程,還有為了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線程教程,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 這一小巧精緻的函數是簡捷實現 Python 程序并行化的關鍵。map 源於 Lisp 這類函數式編程語言。它可以通過一個序列實現兩個函數之間的映射。
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參數傳遞到 urlopen 方法中,並將所有結果保存到 results 這一列表中。其結果大致相當於:
results = []
for url in urls:
    results.append(urllib2.urlopen(url))
map 函數一手包辦了序列操作、參數傳遞和結果保存等一系列的操作。
為什麼這很重要呢?這是因為藉助正確的庫,map 可以輕鬆實現并行化操作。

Python黑魔法,一行實現并行化 |emailtry.com

在 Python 中有個兩個庫包含了 map 函數: multiprocessing 和它鮮為人知的子庫 multiprocessing.dummy.
這裡多扯兩句: multiprocessing.dummy? mltiprocessing 庫的線程版克隆?這是蝦米?即便在 multiprocessing 庫的官方文檔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 作用於進程,而 dummy 模塊作用於線程(因此也包括了 Python 所有常見的多線程限制)。
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
使用下面的兩行代碼來引用包含并行化 map 函數的庫:
from multiprocessing import Pool
from multiprocessing.dummy import Pool as ThreadPool
實例化 Pool 對象:
pool = ThreadPool()
這條簡單的語句替代了 example2.py 中 build_worker_pool 函數 7 行代碼的工作。它生成了一系列的 worker 線程並完成初始化工作、將它們儲存在變量中以方便訪問。
Pool 對象有一些參數,這裡我所需要關注的只是它的第一個參數:processes. 這一參數用於設定線程池中的線程數。其默認值為當前機器 CPU 的核數。
一般來說,執行 CPU 密集型任務時,調用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,通過實驗來確定線程池的大小才是明智的。
pool = ThreadPool(4) # Sets the pool size to 4
線程數過多時,切換線程所消耗的時間甚至會超過實際工作時間。對於不同的工作,通過嘗試來找到線程池大小的最優值是個不錯的主意。
創建好 Pool 對象后,并行化的程序便呼之欲出了。我們來看看改寫后的 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 函數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、不同線程池大小的耗時情況。
# 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?這一結果也說明了為什麼要通過實驗來確定線程池的大小。在我的機器上當線程池大小大於 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,並且十分適合進行并行化。
基礎單進程版本
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文件夾中的圖片文件,一一生成縮略圖,並將這些縮略圖保存到特定文件夾中。
這我的機器上,用這一程序處理 6000 張圖片需要花費 27.9 秒。
如果我們使用 map 函數來代替 for 循環:
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序的執行速度。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進程和多線程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 函數並不支持手動線程管理,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 實現并行化。

发表评论