Python的多线程性能问题和并发问题

copdips
357 阅读15分钟
原文链接： blog.csdn.net

原文标题：一行 Python 实现并行化 -- 日常多线程操作的新思路

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

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 GIL1，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：

[python] view plain copy print?
  1. #Example.py  
  2. ''''' 
  3. Standard Producer/Consumer Threading Pattern 
  4. '''  
  5.   
  6. import time   
  7. import threading   
  8. import Queue   
  9.   
  10. class Consumer(threading.Thread):   
  11.     def __init__(self, queue):   
  12.         threading.Thread.__init__(self)  
  13.         self._queue = queue   
  14.   
  15.     def run(self):  
  16.         while True:   
  17.             # queue.get() blocks the current thread until   
  18.             # an item is retrieved.   
  19.             msg = self._queue.get()   
  20.             # Checks if the current message is   
  21.             # the "Poison Pill"  
  22.             if isinstance(msg, str) and msg ==  'quit':  
  23.                 # if so, exists the loop  
  24.                 break  
  25.             # "Processes" (or in our case, prints) the queue item     
  26.             print "I'm a thread, and I received %s!!" % msg  
  27.         # Always be friendly!   
  28.         print 'Bye byes!'  
  29.   
  30. def Producer():  
  31.     # Queue is used to share items between  
  32.     # the threads.  
  33.     queue = Queue.Queue()  
  34.   
  35.     # Create an instance of the worker  
  36.     worker = Consumer(queue)  
  37.     # start calls the internal run() method to   
  38.     # kick off the thread  
  39.     worker.start()   
  40.   
  41.     # variable to keep track of when we started  
  42.     start_time = time.time()   
  43.     # While under 5 seconds..   
  44.     while time.time() - start_time < 5:   
  45.         # "Produce" a piece of work and stick it in   
  46.         # the queue for the Consumer to process  
  47.         queue.put('something at %s' % time.time())  
  48.         # Sleep a bit just to avoid an absurd number of messages  
  49.         time.sleep(1)  
  50.   
  51.     # This the "poison pill" method of killing a thread.   
  52.     queue.put('quit')  
  53.     # wait for the thread to close down  
  54.     worker.join()  
  55.   
  56. if __name__ == '__main__':  
  57.     Producer()  
#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。

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。

[python] view plain copy print?
  1. #Example2.py  
  2. ''''' 
  3. A more realistic thread pool example  
  4. '''  
  5.   
  6. import time   
  7. import threading   
  8. import Queue   
  9. import urllib2   
  10.   
  11. class Consumer(threading.Thread):   
  12.     def __init__(self, queue):   
  13.         threading.Thread.__init__(self)  
  14.         self._queue = queue   
  15.   
  16.     def run(self):  
  17.         while True:   
  18.             content = self._queue.get()   
  19.             if isinstance(content, str) and content ==  'quit':  
  20.                 break  
  21.             response = urllib2.urlopen(content)  
  22.         print 'Bye byes!'  
  23.   
  24. def Producer():  
  25.     urls = [  
  26.         'http://www.python.org', 'http://www.yahoo.com'  
  27.         'http://www.scala.org', 'http://www.google.com'  
  28.         # etc..   
  29.     ]  
  30.     queue = Queue.Queue()  
  31.     worker_threads = build_worker_pool(queue, 4)  
  32.     start_time = time.time()  
  33.   
  34.     # Add the urls to process  
  35.     for url in urls:   
  36.         queue.put(url)    
  37.     # Add the poison pillv  
  38.     for worker in worker_threads:  
  39.         queue.put('quit')  
  40.     for worker in worker_threads:  
  41.         worker.join()  
  42.   
  43.     print 'Done! Time taken: {}'.format(time.time() - start_time)  
  44.   
  45. def build_worker_pool(queue, size):  
  46.     workers = []  
  47.     for _ in range(size):  
  48.         worker = Consumer(queue)  
  49.         worker.start()   
  50.         workers.append(worker)  
  51.     return workers  
  52.   
  53. if __name__ == '__main__':  
  54.     Producer()  
#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。

何不试试 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。

[python] view plain copy print?
  1. urls = ['http://www.yahoo.com', 'http://www.reddit.com']  
  2. results = map(urllib2.urlopen, urls)  
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：

[python] view plain copy print?
  1. results = []  
  2. for url in urls:   
  3.     results.append(urllib2.urlopen(url))  
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。

在 Python 中有个两个库包含了 map 函数： multiprocessing 和它鲜为人知的子库 multiprocessing.dummy.

这里多扯两句： multiprocessing.dummy？ mltiprocessing 库的线程版克隆？这是虾米？即便在 multiprocessing 库的官方文档里关于这一子库也只有一句相关描述。而这句描述译成人话基本就是说:”嘛，有这么个东西，你知道就成.”相信我，这个库被严重低估了！

dummy 是 multiprocessing 模块的完整克隆，唯一的不同在于 multiprocessing 作用于进程，而 dummy 模块作用于线程（因此也包括了 Python 所有常见的多线程限制）。

所以替换使用这两个库异常容易。你可以针对 IO 密集型任务和 CPU 密集型任务来选择不同的库。2

动手尝试

使用下面的两行代码来引用包含并行化 map 函数的库：

[python] view plain copy print?
  1. from multiprocessing import Pool  
  2. from multiprocessing.dummy import Pool as ThreadPool   
from multiprocessing import Pool
from multiprocessing.dummy import Pool as ThreadPool

实例化 Pool 对象：

[python] view plain copy print?
  1. pool = ThreadPool()   
pool = ThreadPool()

这条简单的语句替代了 example2.py 中 build_worker_pool 函数 7 行代码的工作。它生成了一系列的 worker 线程并完成初始化工作、将它们储存在变量中以方便访问。

Pool 对象有一些参数，这里我所需要关注的只是它的第一个参数：processes. 这一参数用于设定线程池中的线程数。其默认值为当前机器 CPU 的核数。

一般来说，执行 CPU 密集型任务时，调用越多的核速度就越快。但是当处理网络密集型任务时，事情有有些难以预计了，通过实验来确定线程池的大小才是明智的。

[python] view plain copy print?
  1. pool = ThreadPool(4) # Sets the pool size to 4   
pool = ThreadPool(4) # Sets the pool size to 4

线程数过多时，切换线程所消耗的时间甚至会超过实际工作时间。对于不同的工作，通过尝试来找到线程池大小的最优值是个不错的主意。

创建好 Pool 对象后，并行化的程序便呼之欲出了。我们来看看改写后的 example2.py

[python] view plain copy print?
  1. import urllib2   
  2. from multiprocessing.dummy import Pool as ThreadPool   
  3.   
  4. urls = [  
  5.     'http://www.python.org',   
  6.     'http://www.python.org/about/',  
  7.     'http://www.onlamp.com/pub/a/python/2003/04/17/metaclasses.html',  
  8.     'http://www.python.org/doc/',  
  9.     'http://www.python.org/download/',  
  10.     'http://www.python.org/getit/',  
  11.     'http://www.python.org/community/',  
  12.     'https://wiki.python.org/moin/',  
  13.     'http://planet.python.org/',  
  14.     'https://wiki.python.org/moin/LocalUserGroups',  
  15.     'http://www.python.org/psf/',  
  16.     'http://docs.python.org/devguide/',  
  17.     'http://www.python.org/community/awards/'  
  18.     # etc..   
  19.     ]  
  20.   
  21. # Make the Pool of workers  
  22. pool = ThreadPool(4)   
  23. # Open the urls in their own threads  
  24. # and return the results  
  25. results = pool.map(urllib2.urlopen, urls)  
  26. #close the pool and wait for the work to finish   
  27. pool.close()   
  28. pool.join()   
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()

实际起作用的代码只有 4 行，其中只有一行是关键的。map 函数轻而易举的取代了前文中超过 40 行的例子。为了更有趣一些，我统计了不同方法、不同线程池大小的耗时情况。

[python] view plain copy print?
  1. # results = []   
  2. # for url in urls:  
  3. #   result = urllib2.urlopen(url)  
  4. #   results.append(result)  
  5.   
  6. # # ------- VERSUS ------- #   
  7.   
  8. # # ------- 4 Pool ------- #   
  9. # pool = ThreadPool(4)   
  10. # results = pool.map(urllib2.urlopen, urls)  
  11.   
  12. # # ------- 8 Pool ------- #   
  13.   
  14. # pool = ThreadPool(8)   
  15. # results = pool.map(urllib2.urlopen, urls)  
  16.   
  17. # # ------- 13 Pool ------- #   
  18.   
  19. # pool = ThreadPool(13)   
  20. # results = pool.map(urllib2.urlopen, urls)  
  21.   
  22. 结果：  
  23.   
  24. #        Single thread:  14.4 Seconds   
  25. #               4 Pool:   3.1 Seconds  
  26. #               8 Pool:   1.4 Seconds  
  27. #              13 Pool:   1.3 Seconds   
# 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

很棒的结果不是吗？这一结果也说明了为什么要通过实验来确定线程池的大小。在我的机器上当线程池大小大于 9 带来的收益就十分有限了。

另一个真实的例子

生成上千张图片的缩略图

这是一个 CPU 密集型的任务，并且十分适合进行并行化。

基础单进程版本

[python] view plain copy print?
  1. import os   
  2. import PIL   
  3.   
  4. from multiprocessing import Pool   
  5. from PIL import Image  
  6.   
  7. SIZE = (75,75)  
  8. SAVE_DIRECTORY = 'thumbs'  
  9.   
  10. def get_image_paths(folder):  
  11.     return (os.path.join(folder, f)   
  12.             for f in os.listdir(folder)   
  13.             if 'jpeg' in f)  
  14.   
  15. def create_thumbnail(filename):   
  16.     im = Image.open(filename)  
  17.     im.thumbnail(SIZE, Image.ANTIALIAS)  
  18.     base, fname = os.path.split(filename)   
  19.     save_path = os.path.join(base, SAVE_DIRECTORY, fname)  
  20.     im.save(save_path)  
  21.   
  22. if __name__ == '__main__':  
  23.     folder = os.path.abspath(  
  24.         '11_18_2013_R000_IQM_Big_Sur_Mon__e10d1958e7b766c3e840')  
  25.     os.mkdir(os.path.join(folder, SAVE_DIRECTORY))  
  26.   
  27.     images = get_image_paths(folder)  
  28.   
  29.     for image in images:  
  30.         create_thumbnail(Image)  
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)


上边这段代码的主要工作就是将遍历传入的文件夹中的图片文件，一一生成缩略图，并将这些缩略图保存到特定文件夹中。

这我的机器上，用这一程序处理 6000 张图片需要花费 27.9 秒。

如果我们使用 map 函数来代替 for 循环：

[python] view plain copy print?
  1. import os   
  2. import PIL   
  3.   
  4. from multiprocessing import Pool   
  5. from PIL import Image  
  6.   
  7. SIZE = (75,75)  
  8. SAVE_DIRECTORY = 'thumbs'  
  9.   
  10. def get_image_paths(folder):  
  11.     return (os.path.join(folder, f)   
  12.             for f in os.listdir(folder)   
  13.             if 'jpeg' in f)  
  14.   
  15. def create_thumbnail(filename):   
  16.     im = Image.open(filename)  
  17.     im.thumbnail(SIZE, Image.ANTIALIAS)  
  18.     base, fname = os.path.split(filename)   
  19.     save_path = os.path.join(base, SAVE_DIRECTORY, fname)  
  20.     im.save(save_path)  
  21.   
  22. if __name__ == '__main__':  
  23.     folder = os.path.abspath(  
  24.         '11_18_2013_R000_IQM_Big_Sur_Mon__e10d1958e7b766c3e840')  
  25.     os.mkdir(os.path.join(folder, SAVE_DIRECTORY))  
  26.   
  27.     images = get_image_paths(folder)  
  28.   
  29.     pool = Pool()  
  30.     pool.map(creat_thumbnail, images)  
  31.     pool.close()  
  32.     pool.join()  
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！

虽然只改动了几行代码，我们却明显提高了程序的执行速度。在生产环境中，我们可以为 CPU 密集型任务和 IO 密集型任务分别选择多进程和多线程库来进一步提高执行速度——这也是解决死锁问题的良方。此外，由于 map 函数并不支持手动线程管理，反而使得相关的 debug 工作也变得异常简单。

到这里，我们就实现了（基本）通过一行 Python 实现并行化。

原文网址：medium.com/building-th…

Update:

译文已获作者 Chris 授权 https://medium.com/building-things-on-the-internet/40e9b2b36148#66bf-f06f781cb52b


  1. 下面的网址中可以找到关于 GIL（Global Interpretor Lock，全局解释器锁）更多的讨论： http://stackoverflow.com/questions/3044580/multiprocessing-vs-threading-python ↩
  2. 简言之，IO 密集型任务选择 multiprocessing.dummy，CPU 密集型任务选择 multiprocessing ↩



avatar
文章
阅读
粉丝

友情链接：