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： 

import os  
  import PIL  
  from multiprocessing importPool  
  from PIL importImage  
  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  
 importQueue  
 import urllib2  
 classConsumer(threading.Thread):   
 def __init__(self, queue):   
         threading.Thread.__init__(self)  
 self._queue = queue  
 def run(self):  
 whileTrue:  
              content = self._queue.get()   
 if isinstance(content, str) and content == 'quit':  
 break  
             response = 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 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() 

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。

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 importPool  
  from multiprocessing.dummy importPoolasThreadPool 

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) # 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 importPoolasThreadPool  
    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()  
    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 importPool  
 from PIL importImage  
 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 importPool  
from PIL importImage  
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！

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。