Python并行处理

简介

当你在机器上启动某个程序时，它只是在自己的“bubble”里面运行，这个气泡的作用就是用来将同一时刻运行的所有程序进行分离。这个“bubble”也可以称之为进程，包含了管理该程序调用所需要的一切。

例如，这个所谓的进程环境包括该进程使用的内存页，处理该进程打开的文件，用户和组的访问权限，以及它的整个命令行调用，包括给定的参数。

此信息保存在UNIX/Linux系统的流程文件系统中，该系统是一个虚拟文件系统，可通过/proc目录进行访问。条目都已经根据进程ID排过序了，该ID是每个进程的唯一标识符。示例1显示了具有进程ID#177的任意选择的进程。

示例1:可用于进程的信息

 

 

构建程序代码以及数据

程序越复杂，就越有助于将其分成较小的模块。不仅仅源代码是这样，在机器上执行的代码也同样适用于这条规则。该规则的典型范例就是使用子进程并行执行。这背后的想法就是：

• 单个进程包含了可以单独运行的代码段
• 某些代码段可以同时运行，因此原则上允许并行
• 使用现代处理器和操作系统的特性，例如可以使用处理器的所有核心，这样就可以减少程序的总执行时间
• 减少程序/代码的复杂性，并将工作外包专门的代理

使用子进程需要重新考虑程序的执行方式，从线性到并行。它类似于将公司的工作视角从普通员工转变为经理——你必须关注谁在做什么，某个步骤需要多长时间，以及中间结果之间的依赖关系。

这有利于将代码分割成更小的部分，这些更小的部分可以由专门用于此任务的代理执行。如果还没有想清楚，试想一下数据集的构造原理，它也是同样的道理，这样就可以由单个代理进行有效的处理。但是这也引出了一些问题：

• 为什么要将代码并行化?落实到具体案例中或者在努力的过程中，思考这个问题有意义吗?
• 程序是否打算只运行一次，还是会定期运行在类似的数据集上?
• 能把算法分成几个单独的执行步骤吗?
• 数据是否允许并行化?如果不允许，那么数据组织将以何种方式进行调整?
• 计算的中间结果是否相互依赖?
• 需要对硬件进行调整吗?
• 在硬件或算法中是否存在瓶颈，如何避免或者最小化这些因素的影响?
• 并行化的其他副作用有哪些?

可能的用例就是主进程，以及后台运行的等待被激活的守护进程(主/从)。此外，这可能是启动按需运行的工作进程的一个主要过程。在实践中，主要的过程是一个馈线过程，它控制两个或多个被馈送数据部分的代理，并在给定的部分进行计算。

请记住，由于操作系统所需要的子进程的开销，并行操作既昂贵又耗时。与以线性方式运行两个或多个任务相比，在并行的情况下，根据您的用例，可以在每个子过程中节省25%到30%的时间。例如，如果在系列中执行了两项消耗5秒的任务，那么总共需要10秒的时间，并且在并行化的情况下，在多核机器上平均需要8秒。有3秒是用于各种开销，即这部分是无法压缩和优化的，所以速度提高是有极限的。

运行与Python并行的函数

Python提供了四种可能的处理方式。首先可以使用multiprocessing模块并行执行功能。第二，进程的替代方法是线程。从技术上讲，这些都是轻量级的进程，不在本文的范围之内。想了解更加详细的内容，可以看看Python的线程模块。第三，可以使用os模块的system()方法或subprocess模块提供的方法调用外部程序，然后收集结果。

multiprocessing模块涵盖了一系列方法来处理并行执行例程。这包括进程，代理池，队列以及管道。

清单1使用了五个代理程序池，同时处理三个值的块。对于代理的数量和对chunksize的值都是任意选择的，用于演示目的。根据处理器中核心的数量来调整这些值。

Pool.map()方法需要三个参数 - 在数据集的每个元素上调用的函数，数据集本身和chunksize。在清单1中，我们使用square函数，并计算给定整数值的平方。此外，chunksize不是必须的。如果未明确设置，则默认chunksize为1。

请注意，代理商的执行订单不能保证，但结果集的顺序是正确的。它根据原始数据集的元素的顺序包含平方值。

清单1：并行运行函数

 

 

运行此代码应该产生以下输出：

 

 

注意：我们将使用Python 3作为这些例子。

使用队列运行多个函数

作为数据结构，队列是非常普遍的，并且以多种方式存在。 它被组织为先进先出(FIFO)或先进先出(LIFO)/堆栈，以及有和没有优先级(优先级队列)。 数据结构被实现为具有固定数量条目的数组，或作为包含可变数量的单个元素的列表。

在列表2.1-2.7中，我们使用FIFO队列。 它被实现为已经由来自multiprocessing模块的相应类提供的列表。此外，time模块被加载并用于模拟工作负载。

清单2.1：要使用的模块

 

 

接下来，定义一个worker函数(清单2.2)。 该函数实际上代表代理，需要三个参数。进程名称指示它是哪个进程，tasks和results都指向相应的队列。

在工作函数里面是一个while循环。tasks和results都是在主程序中定义的队列。tasks.get()从要处理的任务队列中返回当前任务。小于0的任务值退出while循环，返回值为-1。任何其他任务值都将执行一个计算(平方)，并返回此值。将值返回到主程序实现为result.put()。这将在results队列的末尾添加计算值。

清单2.2：worker函数

 

 

下一步是主循环(参见清单2.3)。首先，定义了进程间通信(IPC)的经理。接下来，添加两个队列，一个保留任务，另一个用于结果。

清单2.3：IPC和队列

 

 

完成此设置后，我们定义一个具有四个工作进程(代理)的进程池。我们使用类multiprocessing.Pool()，并创建一个它的实例。 接下来，我们定义一个空的进程列表(见清单2.4)。

清单2.4：定义一个进程池

 

 

作为以下步骤，我们启动了四个工作进程(代理)。 为了简单起见，它们被命名为“P0”到“P3”。使用multiprocessing.Pool()完成创建四个工作进程。这将它们中的每一个连接到worker功能以及任务和结果队列。 最后，我们在进程列表的末尾添加新初始化的进程，并使用new_process.start()启动新进程(参见清单2.5)。

清单2.5：准备worker进程

 

 

我们的工作进程正在等待工作。我们定义一个任务列表，在我们的例子中是任意选择的整数。这些值将使用tasks.put()添加到任务列表中。每个工作进程等待任务，并从任务列表中选择下一个可用任务。 这由队列本身处理(见清单2.6)。

清单2.6：准备任务队列

 

 

过了一会儿，我们希望我们的代理完成。 每个工作进程对值为-1的任务做出反应。 它将此值解释为终止信号，此后死亡。 这就是为什么我们在任务队列中放置尽可能多的-1，因为我们有进程运行。 在死机之前，终止的进程会在结果队列中放置-1。 这意味着是代理正在终止的主循环的确认信号。

在主循环中，我们从该队列读取，并计数-1。 一旦我们计算了我们有过程的终止确认数量，主循环就会退出。 否则，我们从队列中输出计算结果。

清单2.7：结果的终止和输出

 

 

示例2显示了Python程序的输出。 运行程序不止一次，您可能会注意到，工作进程启动的顺序与从队列中选择任务的进程本身不可预测。 但是，一旦完成结果队列的元素的顺序与任务队列的元素的顺序相匹配。

示例2

 

 

注意：如前所述，由于执行顺序不可预测，您的输出可能与上面显示的输出不一致。

使用os.system()方法

system()方法是os模块的一部分，它允许在与Python程序的单独进程中执行外部命令行程序。system()方法是一个阻塞调用，你必须等到调用完成并返回。 作为UNIX / Linux拜物教徒，您知道可以在后台运行命令，并将计算结果写入重定向到这样的文件的输出流(参见示例3)：

示例3：带有输出重定向的命令

 

 

在Python程序中，您只需简单地封装此调用，如下所示：

清单3：使用os模块进行简单的系统调用

 

 

此系统调用创建一个与当前Python程序并行运行的进程。 获取结果可能会变得有点棘手，因为这个调用可能会在你的Python程序结束后终止 - 你永远都不会知道。

使用这种方法比我描述的先前方法要贵得多。 首先，开销要大得多(进程切换)，其次，它将数据写入物理内存，比如一个需要更长时间的磁盘。 虽然这是一个更好的选择，你的内存有限(像RAM)，而是可以将大量输出数据写入固态磁盘。

使用子进程模块

该模块旨在替换os.system()和os.spawn()调用。子过程的想法是简化产卵过程，通过管道和信号与他们进行通信，并收集他们生成的输出包括错误消息。

从Python 3.5开始，子进程包含方法subprocess.run()来启动一个外部命令，它是底层subprocess.Popen()类的包装器。 作为示例，我们启动UNIX/Linux命令df -h，以查找机器的/ home分区上仍然有多少磁盘空间。在Python程序中，您可以执行如下所示的调用(清单4)。

清单4：运行外部命令的基本示例

 

 

这是基本的调用，非常类似于在终端中执行的命令df -h / home。请注意，参数被分隔为列表而不是单个字符串。输出将与示例4相似。与此模块的官方Python文档相比，除了调用的返回值之外，它将调用结果输出到stdout。

示例4显示了我们的呼叫的输出。输出的最后一行显示命令的成功执行。调用subprocess.run()返回一个类CompletedProcess的实例，它有两个名为args(命令行参数)的属性和returncode(命令的返回值)。

示例4：运行清单4中的Python脚本

 

 

要抑制输出到stdout，并捕获输出和返回值进行进一步的评估，subprocess.run()的调用必须稍作修改。没有进一步修改，subprocess.run()将执行的命令的输出发送到stdout，这是底层Python进程的输出通道。 要获取输出，我们必须更改此值，并将输出通道设置为预定义值subprocess.PIPE。清单5显示了如何做到这一点。

清单5：抓取管道中的输出

 

 

如前所述，subprocess.run()返回一个类CompletedProcess的实例。在清单5中，这个实例是一个简单命名为output的变量。该命令的返回码保存在属性output.returncode中，打印到stdout的输出可以在属性output.stdout中找到。 请注意，这不包括处理错误消息，因为我们没有更改输出渠道。

结论

由于现在的硬件已经很厉害了，因此也给并行处理提供了绝佳的机会。Python也使得用户即使在非常复杂的级别，也可以访问这些方法。正如在multiprocessing和subprocess模块之前看到的那样，可以让你很轻松的对该主题有很深入的了解。