Python多进程库multiprocessing中进程池Pool类的使用

问题起因

最近要将一个文本分割成好几个topic，每个topic设计一个regressor，各regressor是相互独立的，最后汇总所有topic的regressor得到总得预测结果。没错！类似bagging ensemble！只是我没有抽样。文本不大，大概3000行，topic个数为8，于是我写了一个串行的程序，一个topic算完之后再算另一个topic。可是我在每个topic中用了GridSearchCV来调参，又要选特征又要调整regressor的参数，导致参数组合一共有1782种。我真是低估了调参的时间，程序跑了一天一夜最后因为忘记import一个库导致最终的预测精度没有算出来。后来想到，既然每个topic的预测都是独立的，那是不是可以并行呢？

Python中的多线程与多进程

但是听闻Python的多线程实际上并不能真正利用多核，所以如果使用多线程实际上还是在一个核上做并发处理。不过，如果使用多进程就可以真正利用多核，因为各进程之间是相互独立的，不共享资源，可以在不同的核上执行不同的进程，达到并行的效果。同时在我的问题中，各topic相互独立，不涉及进程间的通信，只需最后汇总结果，因此使用多进程是个不错的选择。

multiprocessing

一个子进程

multiprocessing模块提供process类实现新建进程。下述代码是新建一个子进程。

 from multiprocessing import Process
 
 def f(name):
     print 'hello', name
 
 if __name__ == '__main__':
     p = Process(target=f, args=('bob',)) # 新建一个子进程p，目标函数是f，args是函数f的参数列表
     p.start() # 开始执行进程
     p.join() # 等待子进程结束

上述代码中p.join()的意思是等待子进程结束后才执行后续的操作，一般用于进程间通信。例如有一个读进程pw和一个写进程pr，在调用pw之前需要先写pr.join()，表示等待写进程结束之后才开始执行读进程。

多个子进程

如果要同时创建多个子进程可以使用multiprocessing.Pool类。该类可以创建一个进程池，然后在多个核上执行这些进程。

import multiprocessing
import time
 
def func(msg):
    print multiprocessing.current_process().name + '-' + msg
 
if __name__ == "__main__":
    pool = multiprocessing.Pool(processes=4) # 创建4个进程
    for i in xrange(10):
        msg = "hello %d" %(i)
        pool.apply_async(func, (msg, ))
    pool.close() # 关闭进程池，表示不能在往进程池中添加进程
    pool.join() # 等待进程池中的所有进程执行完毕，必须在close()之后调用
    print "Sub-process(es) done."

输出结果如下：

 Sub-process(es) done.
 PoolWorker-34-hello 1
 PoolWorker-33-hello 0
 PoolWorker-35-hello 2
 PoolWorker-36-hello 3
 PoolWorker-34-hello 7
 PoolWorker-33-hello 4
 PoolWorker-35-hello 5
 PoolWorker-36-hello 6
 PoolWorker-33-hello 8
 PoolWorker-36-hello 9

上述代码中的pool.apply_async()是apply()函数的变体，apply_async()是apply()的并行版本，apply()是apply_async()的阻塞版本，使用apply()主进程会被阻塞直到函数执行结束，所以说是阻塞版本。apply()既是Pool的方法，也是Python内置的函数，两者等价。可以看到输出结果并不是按照代码for循环中的顺序输出的。

多个子进程并返回值

apply_async()本身就可以返回被进程调用的函数的返回值。上一个创建多个子进程的代码中，如果在函数func中返回一个值，那么pool.apply_async(func, (msg, ))的结果就是返回pool中所有进程的值的对象（注意是对象，不是值本身）。

 import multiprocessing
 import time
 
 def func(msg):
     return multiprocessing.current_process().name + '-' + msg
 
 if __name__ == "__main__":
     pool = multiprocessing.Pool(processes=4) # 创建4个进程
     results = []
     for i in xrange(10):
         msg = "hello %d" %(i)
         results.append(pool.apply_async(func, (msg, )))
     pool.close() # 关闭进程池，表示不能再往进程池中添加进程，需要在join之前调用
     pool.join() # 等待进程池中的所有进程执行完毕
     print ("Sub-process(es) done.")
 
     for res in results:
         print (res.get())

上述代码输出结果如下：

 Sub-process(es) done.
 PoolWorker-37-hello 0
 PoolWorker-38-hello 1
 PoolWorker-39-hello 2
 PoolWorker-40-hello 3
 PoolWorker-37-hello 4
 PoolWorker-38-hello 5
 PoolWorker-39-hello 6
 PoolWorker-37-hello 7
 PoolWorker-40-hello 8
 PoolWorker-38-hello 9

与之前的输出不同，这次的输出是有序的。

如果电脑是八核，建立8个进程，在Ubuntu下输入top命令再按下大键盘的1，可以看到每个CPU的使用率是比较平均的，如下图：

在system monitor中也可以清楚看到执行多进程前后CPU使用率曲线的差异。