怎样用一行Python代码实现并行-创新互联

Python 在程序并行化方面多少有些声名狼藉。撇开技术上的问题，例如线程的实现和 GIL，我觉得错误的教学指导才是主要问题。常见的经典 Python 多线程、多进程教程多显得偏"重"。而且往往隔靴搔痒，没有深入探讨日常工作中最有用的内容。

传统的例子

简单搜索下"Python 多线程教程"，不难发现几乎所有的教程都给出涉及类和队列的例子：

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()

哈，看起来有些像 Java 不是吗？

我并不是说使用生产者/消费者模型处理多线程/多进程任务是错误的（事实上，这一模型自有其用武之地）。只是，处理日常脚本任务时我们可以使用更有效率的模型。

but...问题在于…

首先，你需要一个样板类； 
其次，你需要一个队列来传递对象； 
而且，你还需要在通道两端都构建相应的方法来协助其工作（如果需想要进行双向通信或是保存结果还需要再引入一个队列）。

worker 越多，问题越多

按照这一思路，你现在需要一个 worker 线程的线程池。下面是一篇 IBM 经典教程中的例子——在进行网页检索时通过多线程进行加速。

#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()

这段代码能正确的运行，但仔细看看我们需要做些什么：构造不同的方法、追踪一系列的线程，还有为了解决恼人的死锁问题，我们需要进行一系列的 join 操作。这还只是开始……

至此我们回顾了经典的多线程教程，多少有些空洞不是吗？样板化而且易出错，这样事倍功半的风格显然不那么适合日常使用，好在我们还有更好的方法。

试试 map？

map 这一小巧精致的函数是简捷实现 Python 程序并行化的关键。map 源于 Lisp 这类函数式编程语言。它可以通过一个序列实现两个函数之间的映射。

    
urls = [ http://www.yahoo.com ,  http://www.reddit.com ]

   results = map(urllib2.urlopen, urls)

上面的这两行代码将 urls 这一序列中的每个元素作为参数传递到 urlopen 方法中，并将所有结果保存到 results 这一列表中。其结果大致相当于：

results = []

for url in urls:

   results.append(urllib2.urlopen(url))

map 函数一手包办了序列操作、参数传递和结果保存等一系列的操作。

为什么这很重要呢？这是因为借助正确的库，map 可以轻松实现并行化操作。