1. 程式人生 > >一行 Python 實現並行化 -- 日常多執行緒操作的新思路

一行 Python 實現並行化 -- 日常多執行緒操作的新思路

春節坐在回家的火車上百無聊賴,偶然看到 Parallelism in one line 這篇在 Hacker News 和 reddit 上都評論過百的文章,順手譯出,enjoy:-)

http://www.zhangzhibo.net/2014/02/01/parallelism-in-one-line/

Python 在程式並行化方面多少有些聲名狼藉。撇開技術上的問題,例如執行緒的實現和 GIL,我覺得錯誤的教學指導才是主要問題。常見的經典 Python 多執行緒、多程序教程多顯得偏“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

簡單搜尋下“Python 多執行緒教程”,不難發現幾乎所有的教程都給出涉及類和佇列的例子:

#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/消費者模型處理多執行緒/多程序任務是錯誤的(事實上,這一模型自有其用武之地)。只是,處理日常指令碼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,你需要一個佇列來傳遞物件;
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訊或是儲存結果還需要再引入一個佇列)。

worker 越多,問題越多

按照這一思路,你現在需要一個 worker 執行緒的執行緒池。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執行緒進行加速。

#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()

這段程式碼能正確的執行,但仔細看看我們需要做些什麼:構造不同的方法、追蹤一系列的執行緒,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執行緒教程,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 這一小巧精緻的函式是簡捷實現 Python 程式並行化的關鍵。map 源於 Lisp 這類函數語言程式設計語言。它可以通過一個序列實現兩個函式之間的對映。

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

上面的這兩行程式碼將 urls 這一序列中的每個元素作為引數傳遞到 urlopen 方法中,並將所有結果儲存到 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 函式一手包辦了序列操作、引數傳遞和結果儲存等一系列的操作。

為什麼這很重要呢?這是因為藉助正確的庫,map 可以輕鬆實現並行化操作。

在 Python 中有個兩個庫包含了 map 函式: multiprocessing 和它鮮為人知的子庫 multiprocessing.dummy.

這裡多扯兩句: multiprocessing.dummy? mltiprocessing 庫的執行緒版克隆?這是蝦米?即便在 multiprocessing 庫的官方文件裡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 模組的完整克隆,唯一的不同在於 multiprocessing 作用於程序,而 dummy 模組作用於執行緒(因此也包括了 Python 所有常見的多執行緒限制)。
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

使用下面的兩行程式碼來引用包含並行化 map 函式的庫:

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

例項化 Pool 物件:

pool = ThreadPool()

這條簡單的語句替代了 example2.py 中 build_worker_pool 函式 7 行程式碼的工作。它生成了一系列的 worker 執行緒並完成初始化工作、將它們儲存在變數中以方便訪問。

Pool 物件有一些引數,這裡我所需要關注的只是它的第一個引數:processes. 這一引數用於設定執行緒池中的執行緒數。其預設值為當前機器 CPU 的核數。

一般來說,執行 CPU 密集型任務時,呼叫越多的核速度就越快。但是當處理網路密集型任務時,事情有有些難以預計了,通過實驗來確定執行緒池的大小才是明智的。

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

執行緒數過多時,切換執行緒所消耗的時間甚至會超過實際工作時間。對於不同的工作,通過嘗試來找到執行緒池大小的最優值是個不錯的主意。

建立好 Pool 物件後,並行化的程式便呼之欲出了。我們來看看改寫後的 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() 

實際起作用的程式碼只有 4 行,其中只有一行是關鍵的。map 函式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、不同執行緒池大小的耗時情況。

# 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執行緒池的大小。在我的機器上當執行緒池大小大於 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圖
這是一個 CPU 密集型的任務,並且十分適合進行並行化。

基礎單程序版本

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)

上邊這段程式碼的主要工作就是將遍歷傳入的資料夾中的圖片檔案,一一生成縮圖,並將這些縮圖儲存到特定資料夾中。

這我的機器上,用這一程式處理 6000 張圖片需要花費 27.9 秒。

如果我們使用 map 函式來代替 for 迴圈:

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!

雖然只改動了幾行程式碼,我們卻明顯提高了程式的執行速度。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程序和多執行緒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 函式並不支援手動執行緒管理,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 實現並行化。

Update:
譯文已獲作者 Chris 授權 https://medium.com/building-things-on-the-internet/40e9b2b36148#66bf-f06f781cb52b


  1. 下面的網址中可以找到關於 GIL(Global Interpretor Lock,全域性直譯器鎖)更多的討論: http://stackoverflow.com/questions/3044580/multiprocessing-vs-threading-python 

  2. 簡言之,IO 密集型任務選擇multiprocessing.dummy,CPU 密集型任務選擇multiprocessing