用map函数来完成Python并行任务的简单示例
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!
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。
上一篇: 在Python中利用Into包整洁地进行数据迁移的教程
下一篇: 四川素菜做法,你学会了吗