Python 在程序并行化方面多少有些声名狼藉。撇开技术上的问题，例如线程的实现和 GIL，我觉得错误的教学指导才是主要问题。

10余年的秀英网站建设经验，针对设计、前端、开发、售后、文案、推广等六对一服务，响应快，48小时及时工作处理。全网营销推广的优势是能够根据用户设备显示端的尺寸不同，自动调整秀英建站的显示方式，使网站能够适用不同显示终端，在浏览器中调整网站的宽度，无论在任何一种浏览器上浏览网站，都能展现优雅布局与设计，从而大程度地提升浏览体验。创新互联从事“秀英网站设计”,“秀英网站推广”以来，每个客户项目都认真落实执行。

常见的经典 Python 多线程、多进程教程多显得偏"重"。而且往往隔靴搔痒，没有深入探讨日常工作中最有用的内容。

传统的例子

简单搜索下"Python 多线程教程"，不难发现几乎所有的教程都给出涉及类和队列的例子：

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(creat_thumbnail, images)

   pool.close()

   pool.join()

哈，看起来有些像 Java 不是吗？

我并不是说使用生产者/消费者模型处理多线程/多进程任务是错误的（事实上，这一模型自有其用武之地）。只是，处理日常脚本任务时我们可以使用更有效率的模型。

问题在于…

首先，你需要一个样板类； 
其次，你需要一个队列来传递对象； 
而且，你还需要在通道两端都构建相应的方法来协助其工作（如果需想要进行双向通信或是保存结果还需要再引入一个队列）。

worker 越多，问题越多

按照这一思路，你现在需要一个 worker 线程的线程池。下面是一篇 IBM 经典教程中的例子——在进行网页检索时通过多线程进行加速。

#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()

这段代码能正确的运行，但仔细看看我们需要做些什么：构造不同的方法、追踪一系列的线程，还有为了解决恼人的死锁问题，我们需要进行一系列的 join 操作。这还只是开始……

至此我们回顾了经典的多线程教程，多少有些空洞不是吗？样板化而且易出错，这样事倍功半的风格显然不那么适合日常使用，好在我们还有更好的方法。

何不试试 map

map 这一小巧精致的函数是简捷实现 Python 程序并行化的关键。map 源于 Lisp 这类函数式编程语言。它可以通过一个序列实现两个函数之间的映射。

urls = ['http://www.yahoo.com', 'http://www.reddit.com']

results = map(urllib2.urlopen, urls)

上面的这两行代码将 urls 这一序列中的每个元素作为参数传递到 urlopen 方法中，并将所有结果保存到 results 这一列表中。其结果大致相当于：

results = []

for url in urls:

   results.append(urllib2.urlopen(url))

map 函数一手包办了序列操作、参数传递和结果保存等一系列的操作。

为什么这很重要呢？这是因为借助正确的库，map 可以轻松实现并行化操作。

本文标题：Python实际案例演示：一行Python代码实现并行-创新互联
网址分享：http://chengdu.cdxwcx.cn/article/dsgsie.html