如何优雅地实现Python通用多线程/进程并行模块

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。

GitHub地址:

https://github.com/ferventdesert/multi_yielder

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

完整代码在:

https://github.com/ferventdesert/multi_yielder/blob/master/src/multi_yielder.py

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。

欢迎留言交流。

上一篇:今天把PHP复习了一下.


下一篇:jdb 调试