淺析Python中的多進程與多線程的使用

在批評Python的討論中，常常說起Python多線程是多么的難用。還有人對 global interpreter lock(也被親切的稱為“GIL”)指指點點，說它阻礙了Python的多線程程序同時運行。因此，如果你是從其他語言（比如C++或Java）轉過來的話，Python線程模塊并不會像你想象的那樣去運行。必須要說明的是，我們還是可以用Python寫出能并發(fā)或并行的代碼，并且能帶來性能的顯著提升，只要你能顧及到一些事情。

在本文中，我們將會寫一個小的Python腳本，用于下載Imgur上最熱門的圖片。我們將會從一個按順序下載圖片的版本開始做起，即一個一個地下載。在那之前，你得注冊一個Imgur上的應用。如果你還沒有Imgur賬戶，請先注冊一個。

本文中的腳本在Python3.4.2中測試通過。稍微改一下，應該也能在Python2中運行——urllib是兩個版本中區(qū)別最大的部分。
開始動手

讓我們從創(chuàng)建一個叫“download.py”的Python模塊開始。這個文件包含了獲取圖片列表以及下載這些圖片所需的所有函數(shù)。我們將這些功能分成三個單獨的函數(shù)：

第三個函數(shù)，“setup_download_dir”，用于創(chuàng)建下載的目標目錄（如果不存在的話）。

Imgur的API要求HTTP請求能支持帶有client ID的“Authorization”頭部。你可以從你注冊的Imgur應用的面板上找到這個client ID，而響應會以JSON進行編碼。我們可以使用Python的標準JSON庫去解碼。下載圖片更簡單，你只需要根據它們的URL獲取圖片，然后寫入到一個文件即可。

代碼如下：

import json
import logging
import os
from pathlib import Path
from urllib.request import urlopen, Request
 
logger = logging.getLogger(__name__)
 
def get_links(client_id):
  headers = {'Authorization': 'Client-ID {}'.format(client_id)}
  req = Request('https://api.imgur.com/3/gallery/', headers=headers, method='GET')
  with urlopen(req) as resp:
    data = json.loads(resp.readall().decode('utf-8'))
  return map(lambda item: item['link'], data['data'])
 
def download_link(directory, link):
  logger.info('Downloading %s', link)
  download_path = directory / os.path.basename(link)
  with urlopen(link) as image, download_path.open('wb') as f:
    f.write(image.readall())
 
def setup_download_dir():
  download_dir = Path('images')
  if not download_dir.exists():
    download_dir.mkdir()
  return download_dir

接下來，你需要寫一個模塊，利用這些函數(shù)去逐個下載圖片。我們給它命名為“single.py”。它包含了我們最原始版本的Imgur圖片下載器的主要函數(shù)。這個模塊將會通過環(huán)境變量“IMGUR_CLIENT_ID”去獲取Imgur的client ID。它將會調用“setup_download_dir”去創(chuàng)建下載目錄。最后，使用get_links函數(shù)去獲取圖片的列表，過濾掉所有的GIF和專輯URL，然后用“download_link”去將圖片下載并保存在磁盤中。下面是“single.py”的代碼：

import logging
import os
from time import time
 
from download import setup_download_dir, get_links, download_link
 
logging.basicConfig(level=logging.DEBUG, format='%(asctime)s - %(name)s - %(levelname)s - %(message)s')
logging.getLogger('requests').setLevel(logging.CRITICAL)
logger = logging.getLogger(__name__)
 
def main():
  ts = time()
  client_id = os.getenv('IMGUR_CLIENT_ID')
  if not client_id:
    raise Exception("Couldn't find IMGUR_CLIENT_ID environment variable!")
  download_dir = setup_download_dir()
  links = [l for l in get_links(client_id) if l.endswith('.jpg')]
  for link in links:
    download_link(download_dir, link)
  print('Took {}s'.format(time() - ts))
 
if __name__ == '__main__':
  main()

在我的筆記本上，這個腳本花了19.4秒去下載91張圖片。請注意這些數(shù)字在不同的網絡上也會有所不同。19.4秒并不是非常的長，但是如果我們要下載更多的圖片怎么辦呢？或許是900張而不是90張。平均下載一張圖片要0.2秒，900張的話大概需要3分鐘。那么9000張圖片將會花掉30分鐘。好消息是使用了并發(fā)或者并行后，我們可以將這個速度顯著地提高。

接下來的代碼示例將只會顯示導入特有模塊和新模塊的import語句。所有相關的Python腳本都可以在這方便地找到this GitHub repository。
使用線程

線程是最出名的實現(xiàn)并發(fā)和并行的方式之一。操作系統(tǒng)一般提供了線程的特性。線程比進程要小，而且共享同一塊內存空間。

在這里，我們將寫一個替代“single.py”的新模塊。它將創(chuàng)建一個有八個線程的池，加上主線程的話總共就是九個線程。之所以是八個線程，是因為我的電腦有8個CPU內核，而一個工作線程對應一個內核看起來還不錯。在實踐中，線程的數(shù)量是仔細考究的，需要考慮到其他的因素，比如在同一臺機器上跑的的其他應用和服務。

下面的腳本幾乎跟之前的一樣，除了我們現(xiàn)在有個新的類，DownloadWorker，一個Thread類的子類。運行無限循環(huán)的run方法已經被重寫。在每次迭代時，它調用“self.queue.get()”試圖從一個線程安全的隊列里獲取一個URL。它將會一直堵塞，直到隊列中出現(xiàn)一個要處理元素。一旦工作線程從隊列中得到一個元素，它將會調用之前腳本中用來下載圖片到目錄中所用到的“download_link”方法。下載完成之后，工作線程向隊列發(fā)送任務完成的信號。這非常重要，因為隊列一直在跟蹤隊列中的任務數(shù)。如果工作線程沒有發(fā)出任務完成的信號，“queue.join()”的調用將會令整個主線程都在阻塞狀態(tài)。

from queue import Queue
from threading import Thread
 
class DownloadWorker(Thread):
  def __init__(self, queue):
    Thread.__init__(self)
    self.queue = queue
 
  def run(self):
    while True:
      # Get the work from the queue and expand the tuple
      # 從隊列中獲取任務并擴展tuple
      directory, link = self.queue.get()
      download_link(directory, link)
      self.queue.task_done()
 
def main():
  ts = time()
  client_id = os.getenv('IMGUR_CLIENT_ID')
  if not client_id:
    raise Exception("Couldn't find IMGUR_CLIENT_ID environment variable!")
  download_dir = setup_download_dir()
  links = [l for l in get_links(client_id) if l.endswith('.jpg')]
  # Create a queue to communicate with the worker threads
  queue = Queue()
  # Create 8 worker threads
  # 創(chuàng)建八個工作線程
  for x in range(8):
    worker = DownloadWorker(queue)
    # Setting daemon to True will let the main thread exit even though the workers are blocking
    # 將daemon設置為True將會使主線程退出，即使worker都阻塞了
    worker.daemon = True
    worker.start()
  # Put the tasks into the queue as a tuple
  # 將任務以tuple的形式放入隊列中
  for link in links:
    logger.info('Queueing {}'.format(link))
    queue.put((download_dir, link))
  # Causes the main thread to wait for the queue to finish processing all the tasks
  # 讓主線程等待隊列完成所有的任務
  queue.join()
  print('Took {}'.format(time() - ts))

在同一個機器上運行這個腳本，下載時間變成了4.1秒！即比之前的例子快4.7倍。雖然這快了很多，但還是要提一下，由于GIL的緣故，在這個進程中同一時間只有一個線程在運行。因此，這段代碼是并發(fā)的但不是并行的。而它仍然變快的原因是這是一個IO密集型的任務。進程下載圖片時根本毫不費力，而主要的時間都花在了等待網絡上。這就是為什么線程可以提供很大的速度提升。每當線程中的一個準備工作時，進程可以不斷轉換線程。使用Python或其他有GIL的解釋型語言中的線程模塊實際上會降低性能。如果你的代碼執(zhí)行的是CPU密集型的任務，例如解壓gzip文件，使用線程模塊將會導致執(zhí)行時間變長。對于CPU密集型任務和真正的并行執(zhí)行，我們可以使用多進程（multiprocessing）模塊。

官方的Python實現(xiàn)——CPython——帶有GIL，但不是所有的Python實現(xiàn)都是這樣的。比如，IronPython，使用.NET框架實現(xiàn)的Python就沒有GIL，基于Java實現(xiàn)的Jython也同樣沒有。你可以點這查看現(xiàn)有的Python實現(xiàn)。
生成多進程

多進程模塊比線程模塊更易使用，因為我們不需要像線程示例那樣新增一個類。我們唯一需要做的改變在主函數(shù)中。

為了使用多進程，我們得建立一個多進程池。通過它提供的map方法，我們把URL列表傳給池，然后8個新進程就會生成，它們將并行地去下載圖片。這就是真正的并行，不過這是有代價的。整個腳本的內存將會被拷貝到各個子進程中。在我們的例子中這不算什么，但是在大型程序中它很容易導致嚴重的問題。

from functools import partial
from multiprocessing.pool import Pool
 
def main():
  ts = time()
  client_id = os.getenv('IMGUR_CLIENT_ID')
  if not client_id:
    raise Exception("Couldn't find IMGUR_CLIENT_ID environment variable!")
  download_dir = setup_download_dir()
  links = [l for l in get_links(client_id) if l.endswith('.jpg')]
  download = partial(download_link, download_dir)
  with Pool(8) as p:
    p.map(download, links)
  print('Took {}s'.format(time() - ts))

分布式任務

你已經知道了線程和多進程模塊可以給你自己的電腦跑腳本時提供很大的幫助，那么在你想要在不同的機器上執(zhí)行任務，或者在你需要擴大規(guī)模而超過一臺機器的的能力范圍時，你該怎么辦呢？一個很好的使用案例是網絡應用的長時間后臺任務。如果你有一些很耗時的任務，你不會希望在同一臺機器上占用一些其他的應用代碼所需要的子進程或線程。這將會使你的應用的性能下降，影響到你的用戶們。如果能在另外一臺甚至很多臺其他的機器上跑這些任務就好了。

Python庫RQ非常適用于這類任務。它是一個簡單卻很強大的庫。首先將一個函數(shù)和它的參數(shù)放入隊列中。它將函數(shù)調用的表示序列化（pickle） ，然后將這些表示添加到一個Redis列表中。任務進入隊列只是第一步，什么都還沒有做。我們至少還需要一個能去監(jiān)聽任務隊列的worker（工作線程）。

第一步是在你的電腦上安裝和使用Redis服務器，或是擁有一臺能正常的使用的Redis服務器的使用權。接著，對于現(xiàn)有的代碼只需要一些小小的改動。先創(chuàng)建一個RQ隊列的實例并通過redis-py 庫傳給一臺Redis服務器。然后，我們執(zhí)行“q.enqueue(download_link, download_dir, link)”，而不只是調用“download_link” 。enqueue方法的第一個參數(shù)是一個函數(shù)，當任務真正執(zhí)行時，其他的參數(shù)或關鍵字參數(shù)將會傳給該函數(shù)。

最后一步是啟動一些worker。RQ提供了方便的腳本，可以在默認隊列上運行起worker。只要在終端窗口中執(zhí)行“rqworker”，就可以開始監(jiān)聽默認隊列了。請確認你當前的工作目錄與腳本所在的是同一個。如果你想監(jiān)聽別的隊列，你可以執(zhí)行“rqworker queue_name”，然后將會開始執(zhí)行名為queue_name的隊列。RQ的一個很好的點就是，只要你可以連接到Redis，你就可以在任意數(shù)量上的機器上跑起任意數(shù)量的worker；因此，它可以讓你的應用擴展性得到提升。下面是RQ版本的代碼：

from redis import Redis
from rq import Queue
 
def main():
  client_id = os.getenv('IMGUR_CLIENT_ID')
  if not client_id:
    raise Exception("Couldn't find IMGUR_CLIENT_ID environment variable!")
  download_dir = setup_download_dir()
  links = [l for l in get_links(client_id) if l.endswith('.jpg')]
  q = Queue(connection=Redis(host='localhost', port=6379))
  for link in links:
    q.enqueue(download_link, download_dir, link)

然而RQ并不是Python任務隊列的唯一解決方案。RQ確實易用并且能在簡單的案例中起到很大的作用，但是如果有更高級的需求，我們可以使用其他的解決方案（例如 Celery）。

總結

如果你的代碼是IO密集型的，線程和多進程可以幫到你。多進程比線程更易用，但是消耗更多的內存。如果你的代碼是CPU密集型的，多進程就明顯是更好的選擇——特別是所使用的機器是多核或多CPU的。對于網絡應用，在你需要擴展到多臺機器上執(zhí)行任務，RQ是更好的選擇。