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：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57

#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。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54

#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

1 2	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：

1 2 3

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：

1 2	from multiprocessing import Pool from multiprocessing.dummy import Pool as ThreadPool

再初始化:

?

1	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。

1	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！

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

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。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

# 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：

1 2 3 4

#            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

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

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：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32

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。