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 在程序并行化方面多少有些聲名狼藉。撇開技術上的問題，例如線程的實現和 GIL¹，我覺得錯誤的教學指導才是主要問題。常見的經典 Python 多線程、多進程教程多顯得偏“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

簡單搜索下“Python 多線程教程”，不難發現幾乎所有的教程都給出涉及類和隊列的例子：

#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？

我并不是說使用生產者/消費者模型處理多線程/多進程任務是錯誤的（事實上，這一模型自有其用武之地）。只是，處理日常腳本任務時我們可以使用更有效率的模型。

問題在于…

首先，你需要一個樣板類；
其次，你需要一個隊列來傳遞對象；
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信或是保存結果還需要再引入一個隊列）。

worker 越多，問題越多

按照這一思路，你現在需要一個 worker 線程的線程池。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線程進行加速。

#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 workersif __name__ == '__main__':    Producer()

這段代碼能正確的運行，但仔細看看我們需要做些什么：構造不同的方法、追蹤一系列的線程，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線程教程，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么適合日常使用，好在我們還有更好的方法。

何不試試 map

map 這一小巧精致的函數是簡捷實現 Python 程序并行化的關鍵。map 源于 Lisp 這類函數式編程語言。它可以通過一個序列實現兩個函數之間的映射。

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

上面的這兩行代碼將 urls 這一序列中的每個元素作為參數傳遞到 urlopen 方法中，并將所有結果保存到 results 這一列表中。其結果大致相當于：

results = []for url in urls:     results.append(urllib2.urlopen(url))

map 函數一手包辦了序列操作、參數傳遞和結果保存等一系列的操作。

為什么這很重要呢？這是因為借助正確的庫，map 可以輕松實現并行化操作。

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

這里多扯兩句： multiprocessing.dummy？ mltiprocessing 庫的線程版克隆？這是蝦米？即便在 multiprocessing 庫的官方文檔里關于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，有這么個東西，你知道就成."相信我，這個庫被嚴重低估了！

dummy 是 multiprocessing 模塊的完整克隆，唯一的不同在于 multiprocessing 作用于進程，而 dummy 模塊作用于線程（因此也包括了 Python 所有常見的多線程限制）。
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。²

動手嘗試

使用下面的兩行代碼來引用包含并行化 map 函數的庫：

from multiprocessing import Poolfrom multiprocessing.dummy import Pool as ThreadPool

實例化 Pool 對象：

pool = ThreadPool()

這條簡單的語句替代了 example2.py 中 build_worker_pool 函數 7 行代碼的工作。它生成了一系列的 worker 線程并完成初始化工作、將它們儲存在變量中以方便訪問。

Pool 對象有一些參數，這里我所需要關注的只是它的第一個參數：processes. 這一參數用于設定線程池中的線程數。其默認值為當前機器 CPU 的核數。

一般來說，執行 CPU 密集型任務時，調用越多的核速度就越快。但是當處理網絡密集型任務時，事情有有些難以預計了，通過實驗來確定線程池的大小才是明智的。

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

線程數過多時，切換線程所消耗的時間甚至會超過實際工作時間。對于不同的工作，通過嘗試來找到線程池大小的最優值是個不錯的主意。

創建好 Pool 對象后，并行化的程序便呼之欲出了。我們來看看改寫后的 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 workerspool = ThreadPool(4) # Open the urls in their own threads# and return the resultsresults = pool.map(urllib2.urlopen, urls)#close the pool and wait for the work to finish pool.close() pool.join() 

實際起作用的代碼只有 4 行，其中只有一行是關鍵的。map 函數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、不同線程池大小的耗時情況。

# 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么要通過實驗來確定線程池的大小。在我的機器上當線程池大小大于 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略圖
這是一個 CPU 密集型的任務，并且十分適合進行并行化。

基礎單進程版本

import os import PIL from multiprocessing import Pool from PIL import ImageSIZE = (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)

上邊這段代碼的主要工作就是將遍歷傳入的文件夾中的圖片文件，一一生成縮略圖，并將這些縮略圖保存到特定文件夾中。

這我的機器上，用這一程序處理 6000 張圖片需要花費 27.9 秒。

如果我們使用 map 函數來代替 for 循環：

import os import PIL from multiprocessing import Pool from PIL import ImageSIZE = (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！

雖然只改動了幾行代碼，我們卻明顯提高了程序的執行速度。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進程和多線程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，由于 map 函數并不支持手動線程管理，反而使得相關的 debug 工作也變得異常簡單。

到這里，我們就實現了（基本）通過一行 Python 實現并行化。

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