Python絕對是處理數據或者把重復任務自動化的***編程語言。要抓取網頁日志?或者要調整一百萬張圖片?總有對應的Python庫讓你輕松完成任務。

然而，Python的運營速度一直飽受詬病。默認狀態下，Python程序使用單個CPU的單個進程。如果你的電腦是最近十年生產的，多數情況下會有4個及以上CPU核。也就是說，當你在等程序運行結束的時候，你的計算機有75%或者更多的計算資源都是空置的!

讓我們來看看如何通過并行運算充分利用計算資源。多虧有Python的concurrent.futures模塊，僅需3行代碼就可以讓一個普通程序并行運行。

一般情況下的Python運行

比如說我們有一個文件夾，里面全是圖片文件，我們想給每一張圖片創建縮略圖。

下面的短程序中我們使用Python自帶的glob 函數獲取一個包含文件夾中所有圖片文件的列表，并用Pillow圖片處理庫獲取每張圖片的128像素縮略圖。

這個程序遵循很常見的數據處理模式：

1. 從您想處理的一系列文件(或其他數據)開始
2. 編寫一個處理一個數據的輔助函數
3. 用for循環調動輔助函數，一個一個的去處理數據

讓我們用1000張圖片來測試這個程序，看看運行時間是多少。

程序運行時間8.9秒，但是計算機的運算資源占用了多少呢?

讓我們再跑一次程序，同時查看活動監視器：

計算機有75%空置，這是為什么呢?

問題在于我的計算機有4個CPU核，但是Python只用了其中一個核。即便我的程序把那個CPU核完全占滿，但是其他3個CPU核什么也沒干。我們需要想辦法把整個程序的工作量分成4份然后平行運行。所幸Python可以做到這一點!

讓我們來試試并行運算

下面是實現并行運算的一個方法：

1. 把Jpeg圖片文件列表分成4個部分。
2. 同時跑四個Python解釋器。
3. 讓四個解釋器分別處理一部分圖片文件。
4. 匯總四個解釋器的結果得到最終結果。

四個Python程序分別在4個CPU上運行，跟之前在1個CPU運行相比大概可以達到4倍的速度，對不對?

好消息是Python可以幫我們解決并行運算麻煩的部分。我們僅需要告訴 Python我們想要運行什么函數以及我們希望工作分成多少份，其他部分留給Python。我們只需要修改三行代碼。

首先，我們需要導入concurrent.futures庫。這個庫是Python自帶的：

然后，我們需要告訴 Python另外啟動4個Python實例。我們通過創建Process Pool來傳達指令：

默認設置下，上面的代碼會給計算機的每一個CPU創建一個Python進程，所以如果您的計算機有4個CPU，就會開啟4個Python進程。

***一步是讓Process Pool 用這4個進程在數據列表中執行我們的輔助函數。我們可以把我們之前的for循環替代為：

新代碼是調用executor.map()函數

executor.map() 函數調用時需要輸入輔助函數和待處理的數據列表。這個函數幫我們完成所有麻煩的工作，把列表分成幾個小列表，把小列表分配給每個子進程，運行子進程，以及匯總結果。干得漂亮!

我們也可以得到每次調用輔助函數的結果。executor.map()函數以輸入數據順序返回結果。 Python的zip()函數可以一步獲取原始文件名以及相應結果。

下面是經過三步改動之后的程序：

讓我們試著運行一下，看看有沒有縮短運行時間：

2.274秒程序就運行完了!這便是原來版本的4倍加速。運行時間縮短的原因正是我們這次用4個CPU代替了1個CPU。

但是如果您仔細看看，您會看到“用戶(User)”時間大概是接近9秒，如果程序2秒就運行結束了，為什么客戶時間會是9秒?這似乎…有哪里不對?

其實這是因為”用戶”時間是所有CPU時間的總和。我們和上次一樣，用9秒的總CPU

注意：啟用Python進程以及給子進程分配數據都會占用時間，因此您不一定能靠這個方法大幅提高速度。如果您處理的數據量很大，這里有一篇“設置chunksize參數的技巧”文章可能可以幫助您：https://docs.python.org/3/library/concurrent.futures.html#concurrent.futures.Executor.map。

這種方法總能幫我的程序提速嗎?

當你有一列數據，并且每個數據都可以獨立處理的時候，使用Process Pools是一個好方法。這有一些適合使用并行處理的例子：

1. 從一系列單獨的網頁服務器日志里抓取數據。
2. 從一堆XML，CSV和JSON文件中解析數據。
3. 對大量圖片數據做預處理，建立機器學習數據集。

但Process Pools不是***的。使用Process Pool需要在獨立的Python處理過程中將數據來回傳遞。如果你正在使用的數據不能在處理過程中有效的被傳遞，這種方法就行不通。你處理的數據必須是Python知道怎么搞定的類型

(https://docs.python.org/3/library/pickle.html#what-can-be-pickled-and-unpickled)。

同時，數據不會按照一個預想的順序被處理。如果你需要前一步的處理結果來進行下一步驟，這種方法也行不通。

那GIL怎么辦?

你可能聽說過Python有一個全局解釋器鎖(Global Interpreter Lock,)，縮寫為GIL。這意味著即使你的程序是多層的，每一層也只有一個Python命令能被執行。GIL確保任何時候都只有一個Python線程執行。 GIL***的問題就是Python的多線程程序并不能利用多核CPU的優勢。

但Process Pools能解決這個問題!因為我們在運行單獨的Python實例，每個實例都有自己的GIL。這樣你就有了真正的并行處理的Python代碼!

不要害怕并行處理!

有了concurrent.futures庫，Python可以讓你簡簡單單地修改腳本，卻能立刻調用你電腦上所有CPU內核開足馬力地運行。不要害怕嘗試。一旦你會用了，它就像寫一個for循環那樣簡單，但會讓整個程序快很多。

原文：

https://medium.com/@ageitgey/quick-tip-speed-up-your-python-data-processing-scripts-with-process-pools-cf275350163a

【本文是51CTO專欄機構大數據文摘的原創譯文，微信公眾號“大數據文摘（ id: BigDataDigest）”】

戳這里，看該作者更多好文