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
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：
#Example.py
'''Standard Producer/Consumer Threading Pattern'''
importtimeimportthreadingimportQueueclassConsumer(threading.Thread):def __init__(self, queue):
threading.Thread.__init__(self)
self._queue=queuedefrun(self):whileTrue:#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!'
defProducer():#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。
#Example2.py
'''A more realistic thread pool example'''
importtimeimportthreadingimportQueueimporturllib2classConsumer(threading.Thread):def __init__(self, queue):
threading.Thread.__init__(self)
self._queue=queuedefrun(self):whileTrue:
content=self._queue.get()if isinstance(content, str) and content == 'quit':breakresponse=urllib2.urlopen(content)print 'Bye byes!'
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()#Add the urls to process
for url inurls:
queue.put(url)#Add the poison pillv
for worker inworker_threads:
queue.put('quit')for worker inworker_threads:
worker.join()print 'Done! Time taken: {}'.format(time.time() -start_time)defbuild_worker_pool(queue, size):
workers=[]for _ inrange(size):
worker=Consumer(queue)
worker.start()
workers.append(worker)returnworkersif __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。
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 inurls:
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。
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：
from multiprocessing importPoolfrom multiprocessing.dummy import Pool as ThreadPool实例化 Pool 对象：
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。
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
importurllib2from multiprocessing.dummy importPool 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。
#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
importosimportPILfrom multiprocessing importPoolfrom PIL importImage
SIZE= (75,75)
SAVE_DIRECTORY= 'thumbs'
defget_image_paths(folder):return(os.path.join(folder, f)for f inos.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)for image inimages:
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：
importosimportPILfrom multiprocessing importPoolfrom PIL importImage
SIZE= (75,75)
SAVE_DIRECTORY= 'thumbs'
defget_image_paths(folder):return(os.path.join(folder, f)for f inos.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！
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。
PS:
简言之，IO 密集型任务选择 multiprocessing.dummy，CPU 密集型任务选择 multiprocessing ↩
