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 GIL，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：

importos
importPIL

frommultiprocessingimportPool
fromPILimportImage

SIZE=(75,75)
SAVE_DIRECTORY='thumbs'

defget_image_paths(folder):
return(os.path.join(folder,f)
forfinos.listdir(folder)
if'jpeg'inf)

defcreate_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
'''
Amorerealisticthreadpoolexample
'''

importtime
importthreading
importQueue
importurllib2

classConsumer(threading.Thread):
def__init__(self,queue):
threading.Thread.__init__(self)
self._queue=queue

defrun(self):
whileTrue:
content=self._queue.get()
ifisinstance(content,str)andcontent=='quit':
break
response=urllib2.urlopen(content)
print'Byebyes!'

defProducer():
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()

#Addtheurlstoprocess
forurlinurls:
queue.put(url)
#Addthepoisonpillv
forworkerinworker_threads:
queue.put('quit')
forworkerinworker_threads:
worker.join()

print'Done!Timetaken:{}'.format(time.time()-start_time)

defbuild_worker_pool(queue,size):
workers=[]
for_inrange(size):
worker=Consumer(queue)
worker.start()
workers.append(worker)
returnworkers

if__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=[]
forurlinurls:
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。

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：

frommultiprocessingimportPool
frommultiprocessing.dummyimportPoolasThreadPool

實例化 Pool 對象：

pool=ThreadPool()

這條簡單的語句替代了 example2.py 中 buildworkerpool 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)#Setsthepoolsizeto4

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

importurllib2
frommultiprocessing.dummyimportPoolasThreadPool

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..
]

#MakethePoolofworkers
pool=ThreadPool(4)
#Opentheurlsintheirownthreads
#andreturntheresults
results=pool.map(urllib2.urlopen,urls)
#closethepoolandwaitfortheworktofinish
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=[]
#forurlinurls:
#result=urllib2.urlopen(url)
#results.append(result)

##-------VERSUS-------#

##-------4Pool-------#
#pool=ThreadPool(4)
#results=pool.map(urllib2.urlopen,urls)

##-------8Pool-------#

#pool=ThreadPool(8)
#results=pool.map(urllib2.urlopen,urls)

##-------13Pool-------#

#pool=ThreadPool(13)
#results=pool.map(urllib2.urlopen,urls)

結果：

#Singlethread:14.4Seconds
#4Pool:3.1Seconds
#8Pool:1.4Seconds
#13Pool:1.3Seconds

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

importos
importPIL

frommultiprocessingimportPool
fromPILimportImage

SIZE=(75,75)
SAVE_DIRECTORY='thumbs'

defget_image_paths(folder):
return(os.path.join(folder,f)
forfinos.listdir(folder)
if'jpeg'inf)

defcreate_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)

forimageinimages:
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：

importos
importPIL

frommultiprocessingimportPool
fromPILimportImage

SIZE=(75,75)
SAVE_DIRECTORY='thumbs'

defget_image_paths(folder):
return(os.path.join(folder,f)
forfinos.listdir(folder)
if'jpeg'inf)

defcreate_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。