麦子学院 2017-06-06 22:53
Python语言中如何实现多线程/进程并行模块？
回复:0 查看:2391
当单线程性能不足时，我们通常会使用多线程/
多进程去加速运行。而这些代码往往多得令人绝望，需要考虑：
如何创建线程执行的函数？
如何收集结果？若希望结果从子线程返回主线程，则还要使用队列
如何取消执行？
直接kill
掉所有线程？信号如何传递？
是否需要线程池？
否则反复创建线程的成本过高了
不仅如此，若改为多进程或协程，代码还要继续修改。若多处使用并行，则这些代码还会重复很多遍，非常痛苦。
于是，我们考虑将并行的所有逻辑封装到一个模块之内，向外部提供像串行执行一样的编程体验，还能彻底解决上面所述的疑难问题。所有代码不足180
行。
使用时非常简洁：
def xprint(x):
time.sleep(1) # mock a long time task
yield x*x
i=0
for item in multi_yield(xrange(100)),xprint, process_mode,3:
i+=1
print(item)
if i>10:
break
上面的代码会使用三个进程，并行地打印1-10
的平方。当打印完
10
之后，进程自动回收释放。就像串行程序一样简单。
1.
先实现串行任务
我们通常会将任务分割为很多个子块，从而方便并行。因此可以将任务抽象为生成器。类似下面的操作，每个seed
都是任务的种子。
def get_generator():
for seed in 100:
yield seed
任务本身的定义，则可以通过一个接受种子的函数来实现：
def worker(seed):
# some long time task
return seed*seed # just example
那么实现串行任务就像这样：
for seed in get_generator(n):
print worker(seed)
进一步地，可以将其抽象为下面的函数：
def serial_yield(genenator,worker):
for seed in generator():
yield worker(seed)
该函数通过传入生成器函数（generator
）和任务的定义
(worker
函数
)
，即可再返回一个生成器。消费时：
for result in serial_yield(your_genenator, your_worker):
print(result)
我们看到，通过定义高阶函数，serial_yield
就像
map
函数，对
seed
进行加工后输出。
2.
定义并行任务
考虑如下场景： boss
负责分发任务到任务队列，多个
worker
从任务队列捞数据，处理完之后，再写入结果队列。主线程从结果队列中取结果即可。
我们定义如下几种执行模式：
async:
异步
/
多协程
thread:
多线程
process:
多进程
使用Python
创建
worker
的代码如下
,func
是任务的定义（是个函数）
def factory(func, args=None, name='task'):
if args is None:
args = ()
if mode == process_mode:
return multiprocessing.Process(name=name, target=func, args=args)
if mode == thread_mode:
import threading
t = threading.Thread(name=name, target=func, args=args)
t.daemon = True
return t
if mode == async_mode:
import gevent
return gevent.spawn(func, *args)
创建队列的代码如下，注意seeds
可能是无穷流，因此需要限定队列的长度，当入队列发现队列已满时，则任务需要阻塞。
def queue_factory(size):
if mode == process_mode:
return multiprocessing.Queue(size)
elif mode == thread_mode:
return Queue(size)
elif mode == async_mode:
from gevent import queue
return queue.Queue(size)
什么时候任务可以终止？
我们罗列如下几种情况：
所有的seed
都已经被消费完了
外部传入了结束请求
对第一种情况，我们让boss
在
seed
消费完之后，在队列里放入多个
Empty
标志，
worker
收到
Empty
之后，就会自动退出，下面是
boss
的实现逻辑：
def _boss(task_generator, task_queue, worker_count):
for task in task_generator:
task_queue.put(task)
for i in range(worker_count):
task_queue.put(Empty)
print('worker boss finished')
再定义worker
的逻辑：
def _worker(task_queue, result_queue, gene_func):
import time
try:
while not stop_wrapper.is_stop():
if task_queue.empty():
time.sleep(0.01)
continue
task = task.get()
if task == Empty:
result_queue.put(Empty)
break
if task == Stop:
break
for item in gene_func(task):
result_queue.put(item)
print ('worker worker is stop')
except Exception as e:
logging.exception(e)
print ('worker exception, quit')
简单吧？但是这样会有问题，这个后面再说，我们把剩余的代码写完。
再定义multi_yield
的主要代码。 代码非常好理解，创建任务和结果队列，再创建
boss
和
worker
线程
(
或进程
/
协程
)
并启动，之后不停地从结果队列里取数据就可以了。
def multi_yield(customer_func, mode=thread_mode, worker_count=1, generator=None, queue_size=10):
workers = []
result_queue = queue_factory(queue_size)
task_queue = queue_factory(queue_size)
main = factory(_boss, args=(generator, task_queue, worker_count), name='_boss')
for process_id in range(0, worker_count):
name = 'worker_%s' % (process_id)
p = factory(_worker, args=(task_queue, result_queue, customer_func), name=name)
workers.append(p)
main.start()
for r in workers:
r.start()
count = 0
while not should_stop():
data = result_queue.get()
if data is Empty:
count += 1
if count == worker_count:
break
continue
if data is Stop:
break
else:
yield data
这样从外部消费时，即可：
def xprint(x):
time.sleep(1)
yield x
i=0
for item in multi_yield(xprint, process_mode,3,xrange(100)):
i+=1
print(item)
if i>10:
break
这样我们就实现了一个与 serial_yield
功能类似的
multi_yield
。可以定义多个
worker
，从队列中领任务，而不需重复地创建和销毁，更不需要线程池。当然，代码不完全，运行时可能出问题。但以上代码已经说明了核心的功能。完整的代码可以在文末找到。
但是你也会发现很严重的问题：
当从外部break
时，内部的线程并不会自动停止
我们无法判断队列的长度，若队列满，那么put
操作会永远卡死在那里，任务都不会结束。
3.
改进任务停止逻辑
最开始想到的，是通过在 multi_yield
函数参数中添加一个返回
bool
的函数，这样当外部
break
时，同时将该函数的返回值置为
True
，内部检测到该标志位后强制退出。伪代码如下
:
_stop=False
def can_stop():
return _stop
for item in multi_yield(xprint, process_mode,3,xrange(100),can_stop):
i+=1
print(item)
if i>10:
_stop=True
break
但这样并不优雅，引入了更多的函数作为参数，还必须手工控制变量值，非常繁琐。在多进程模式下，stop
标志位还如何解决？
我们希望外部在循环时执行了break
后，会自动通知内部的生成器。实现方法似乎就是
with
语句，即
contextmanager.
我们实现以下的包装类：
class Yielder(object):
def __init__(self, dispose):
self.dispose = dispose
def __enter__(self):
pass
def __exit__(self, exc_type, exc_val, exc_tb):
self.dispose()
它实现了with
的原语，参数是
dispose
函数，作用是退出
with
代码块后的回收逻辑。
由于值类型的标志位无法在多进程环境中传递，我们再创建StopWrapper
类，用于管理停止标志和回收资源
:
class Stop_Wrapper():
def __init__(self):
self.stop_flag = False
self.workers=[]
def is_stop(self):
return self.stop_flag
def stop(self):
self.stop_flag = True
for process in self.workers:
if isinstance(process,multiprocessing.Process):
process.terminate()
最后的问题是，如何解决队列满或空时，put/get
的无限等待问题呢？考虑包装一下
put/get
：包装在
while True
之中，每隔两秒
get/put
，这样即使阻塞时，也能保证可以检查退出标志位。所有线程在主线程结束后，最迟也能在
2s
内自动退出。
def safe_queue_get(queue, is_stop_func=None, timeout=2):
while True:
if is_stop_func is not None and is_stop_func():
return Stop
try:
data = queue.get(timeout=timeout)
return data
except:
continue
def safe_queue_put(queue, item, is_stop_func=None, timeout=2):
while True:
if is_stop_func is not None and is_stop_func():
return Stop
try:
queue.put(item, timeout=timeout)
return item
except:
continue
如何使用呢？我们只需在multi_yield
的
yield
语句之外加上一行就可以了：
with Yielder(stop_wrapper.stop):
# create queue,boss,worker, then start all
# ignore repeat code
while not should_stop():
data = safe_queue_get(result_queue, should_stop)
if data is Empty:
count += 1
if count == worker_count:
break
continue
if data is Stop:
break
else:
yield data
仔细阅读上面的代码，
外部循环时退出循环，则会自动触发stop_wrapper
的
stop
操作，回收全部资源，而不需通过外部的标志位传递！这样调用方在心智完全不需有额外的负担。
实现生成器和上下文管理器的编程语言，都可以通过上述方式实现自动协程资源回收。笔者也实现了一个C#
版本的，有兴趣欢迎交流。
这样，我们就能像文章开头那样，实现并行的迭代器操作了。
4.
结语
一些实现的细节很有趣，我们借助在函数中定义函数，可以不用复杂的类去承担职责，而仅仅只需函数。而类似的思想，在函数式编程中非常常见。
该工具已经被笔者的流式语言 etlpy
所集成。但是依然有较多改进的空间，如没有集成分布式执行模式。
来源：博客园