眾所周知，Python的並行處理能力很不理想。我認為如果不考慮執行緒和GIL的標準引數（它們大多是合法的），其原因不是因為技術不到位，而是我們的使用方法不恰當。大多數關於Python執行緒和多程序的教材雖然都很出色，但是內容繁瑣冗長。它們的確在開篇鋪陳了許多有用資訊，但往往都不會涉及真正能提高日常工作的部分。

經典例子

DDG上以“Python threading tutorial （Python執行緒教程）”為關鍵字的熱門搜尋結果表明：幾乎每篇文章中給出的例子都是相同的類+佇列。

事實上，它們就是以下這段使用producer/Consumer來處理執行緒/多程序的程式碼示例：

#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()

唔…….感覺有點像Java。

我現在並不想說明使用Producer / Consume來解決執行緒/多程序的方法是錯誤的——因為它肯定正確，而且在很多情況下它是最佳方法。但我不認為這是平時寫程式碼的最佳選擇。

它的問題所在（個人觀點）

首先，你需要建立一個樣板式的鋪墊類。然後，你再建立一個佇列，通過其傳遞物件和監管佇列的兩端來完成任務。（如果你想實現資料的交換或儲存，通常還涉及另一個佇列的參與）。

Worker越多，問題越多。

接下來，你應該會建立一個worker類的pool來提高Python的速度。下面是IBM tutorial給出的較好的方法。這也是程式設計師們在利用多執行緒檢索web頁面時的常用方法。

#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()

它的確能執行，但是這些程式碼多麼複雜阿！它包括了初始化方法、執行緒跟蹤列表以及和我一樣容易在死鎖問題上出錯的人的噩夢——大量的join語句。而這些還僅僅只是繁瑣的開始！

我們目前為止都完成了什麼？基本上什麼都沒有。上面的程式碼幾乎一直都只是在進行傳遞。這是很基礎的方法，很容易出錯（該死，我剛才忘了在佇列物件上還需要呼叫task_done()方法（但是我懶得修改了）），價效比很低。還好，我們還有更好的方法。

介紹：Map

Map是一個很棒的小功能，同時它也是Python並行程式碼快速執行的關鍵。給不熟悉的人講解一下吧，map是從函式語言Lisp來的。map函式能夠按序映射出另一個函式。例如

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

這裡呼叫urlopen方法來把呼叫結果全部按序返回並存儲到一個列表裡。就像：

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

Map按序處理這些迭代。呼叫這個函式，它就會返回給我們一個按序儲存著結果的簡易列表。

為什麼它這麼厲害呢？因為只要有了合適的庫，map能使並行執行得十分流暢！

有兩個能夠支援通過map函式來完成並行的庫：一個是multiprocessing，另一個是鮮為人知但功能強大的子檔案：multiprocessing.dummy。

題外話：這個是什麼？你從來沒聽說過dummy多程序庫？我也是最近才知道的。它在多程序的說明文件裡面僅僅只被提到了一句。而且那一句就是大概讓你知道有這麼個東西的存在。我敢說，這樣幾近拋售的做法造成的後果是不堪設想的！

Dummy就是多程序模組的克隆檔案。唯一不同的是，多程序模組使用的是程序，而dummy則使用執行緒（當然，它有所有Python常見的限制）。也就是說，資料由一個傳遞給另一個。這能夠使得資料輕鬆的在這兩個之間進行前進和回躍，特別是對於探索性程式來說十分有用，因為你不用確定框架呼叫到底是IO 還是CPU模式。

準備開始

要做到通過map函式來完成並行，你應該先匯入裝有它們的模組：

from multiprocessing import Pool
from multiprocessing.dummy import Pool as ThreadPool

再初始化:

pool = ThreadPool()

這簡單的一句就能代替我們的build_worker_pool 函式在example2.py中的所有工作。換句話說，它建立了許多有效的worker，啟動它們來為接下來的工作做準備，以及把它們儲存在不同的位置，方便使用。

Pool物件需要一些引數，但最重要的是：程序。它決定pool中的worker數量。如果你不填的話，它就會預設為你電腦的核心數值。

如果你在CPU模式下使用多程序pool，通常核心數越大速度就越快（還有很多其它因素）。但是，當進行執行緒或者處理網路繫結之類的工作時，情況會比較複雜所以應該使用pool的準確大小。

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

如果你執行過多執行緒，多執行緒間的切換將會浪費許多時間，所以你最好耐心調試出最適合的任務數。

我們現在已經建立了pool物件，馬上就能有簡單的並行程式了，所以讓我們重新寫example2.py中的url opener吧！

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()

看吧！這次的程式碼僅用了4行就完成了所有的工作。其中3句還是簡單的固定寫法。呼叫map就能完成我們前面例子中40行的內容！為了更形象地表明兩種方法的差異，我還分別給它們執行的時間計時。

# 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

相當出色！並且也表明了為什麼要細心除錯pool的大小。在這裡，只要大於9，就能使其執行速度加快。

例項2：

生成成千上萬的縮圖

我們在CPU模式下來完成吧！我工作中就經常需要處理大量的影象資料夾。其任務之一就是建立縮圖。這在並行任務中已經有很成熟的方法了。

基礎的單執行緒建立

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)

對於一個例子來說，這是有點難，但本質上，這就是向程式傳遞一個資料夾，然後將其中的所有圖片抓取出來，並最終在它們各自的目錄下建立和儲存縮圖。

我的電腦處理大約6000張圖片用了27.9秒。

如果我們用並行呼叫map來代替for迴圈的話：

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(create_thumbnail,images)
    pool.close()
    pool.join()

5.6秒！

對於只改變了幾行程式碼而言，這是大大地提升了執行速度。這個方法還能更快，只要你將cpu 和 io的任務分別用它們的程序和執行緒來執行——但也常造成死鎖。總之，綜合考慮到 map這個實用的功能，以及人為執行緒管理的缺失，我覺得這是一個美觀，可靠還容易debug的方法。

好了，文章結束了。一行完成並行任務。