一、编程思想
并行编程的思想：分而治之，有两种模型
1.MapReduce:将任务划分为可并行的多个子任务，每个子任务完成后合并得到结果
例子：统计不同形状的个数。
先通过map进行映射到多个子任务，分别统计个数，然后在用reduce进行归纳一下。
2.流水：将任务分为串行的多个子任务，每个子任务并行。ProductConsume
例子：
多个生产者进行并行，多个消费者进行并行。生产者生产出来东西放到队列里；队列里有东西时，消费者就可以进行消费，这样双方没有太大的依赖关系。
为什么要并行编程呢？
多核，云计算，使得实现并行编程的条件更容易满足。
大数据（导致数据多），机器学习（复杂），高并发，使得并行编程很必要。
为什么很少用呢？
任务分割，共享数据的访问，死锁，互斥，信号量，利用管道，队列通信。线程，进程的管理。
这些概念使得并行编程的实现看上去很难
怎么学并行编程？
库： Threading,实现多线程
Multiprocess,实现多进程
Parallepython,实现分布式计算，同时解决CPU和网络资源受限问题。
Celery+RabbitMQ/Redis，可实现分布式任务队列 Django和它搭配可实现异步任务队列
Gevent，可实现高效异步IO，协成
2.进程和线程
CPU同一时刻只能调度一个进程，进程之间memory独立，进程内线程共享memory。
我们主要解决的问题是：
进程间通信问题；
线程间同步问题
例子：计算10000000000自减到0，然后用多进程和多线程计算，看看他们用时多久
# -*- coding: utf-8 -*-
# CopyRight by heibanke import time
from threading import Thread
from multiprocessing import Process def countdown(n):
while n > 0:
n -= 1 COUNT = 100000000 # 1亿 def thread_process_job(n, Thread_Process, job):
"""
n: 多线程或多进程数
Thread_Process: Thread／Process类
job: countdown任务
"""
local_time=time.time() #实例化多线程或多进程
threads_or_processes = [Thread_Process(target=job,args=(COUNT//n,)) for i in xrange(n)]#学习这种写法，很高大上，把不同的类放到列表里边
#threads_or_processes中保存了三个Thread_process个对象 for t in threads_or_processes:
t.start() #开始线程或进程，必须调用
for t in threads_or_processes:
t.join() #等待直到该线程或进程结束
#join的作用是阻塞进程，直到所有的线程执行完毕之后，才可以执行后边的语句 print n,Thread_Process.__name__," run job need ",time.time()-local_time if __name__=="__main__":
print "Multi Threads"
for i in [1,2,4]:
thread_process_job(i,Thread, countdown) print "Multi Process"
for i in [1,2,4]:
thread_process_job(i,Process, countdown)
输出结果：
从结果中看出来，多线程时，随着线程的增多，时间反而更多；多进程随着进程的增多，时间变少。原因是python的GIL机制
GIL
当有多个线程的时候，并不是真的是并行运行的，实际上有一个锁，谁申请到了谁运行
在python的原始解释器CPython中存在着GIL（Global Interpreter Lock，全局解释器锁），因此在解释执行python代码时，会产生互斥锁来限制线程对共享资源的访问，直到解释器遇到I/O操作或者操作次数达到一定数目时才会释放GIL。
所以，虽然CPython的线程库直接封装了系统的原生线程，但CPython整体作为一个进程，同一时间只会有一个获得GIL的线程在跑，其他线程则处于等待状态。这就造成了即使在多核CPU中，多线程也只是做着分时切换而已。
所以它更适合处理I/O密集型的任务，不适合处理CPU密集型的任务。
不过muiltprocessing的出现，已经可以让多进程的python代码编写简化到了类似多线程的程度了。(链接：https://www.zhihu.com/question/23474039/answer/35418893)
这是两个线程在运行，并不是并行，而是串行，红色的线表示在申请cpu
四个线程在运行
进程可以快，而线程反而慢的原因是，我的电脑有多个核，进程可以进行并行的，而线程在python里边还是串行的，申请cpu也需要花费时间的
三、I/O密集型任务
I/O密集型任务是诸如频繁的磁盘读取，或者通过网络进行获取数据，如爬虫
比如，第一个线程运行，然后遇到I/O请求，这个I/O请求不会满上满足你，所以就切换到线程2上进行，过了会儿，线程2也有I/O请求，所以切换到线程3，然后线程3也有I/O请求，此时线程1的I/O请求完成，然后切换到线程1运行……
举例：对韩寒博客进行爬取
步骤：
1.获取urls；
2.将urls分给不同的进程或线程（相当于分配子任务）；
3.多进程/线程抓取
分析：韩寒网站是：http://blog.sina.com.cn/s/articlelist_1191258123_0_1.html
如图示，第几页，对应的相应的网址的箭头部位就变成几，所以我们用下面语句获取每一页的内容：
for i in xrange(7):
#这里的extend要注意，是在list后边接上
#list.extend(seq)：在列表末尾一次性追加另一个序列中的多个值（用新列表扩展原来的列表）
#str(i+1)，因为我们从网站中可以看到，每一页的变化，第一页网站的此处就是1，第二页就是2，以此类推，一共七页
urls.extend(parseTarget('http://blog.sina.com.cn/s/articlelist_1191258123_0_'+str(i+1)+'.html'))
总的程序如下所示：
#!/usr/bin/env python
# coding: utf-8
#copyRight by heibanke import urllib
import os
import re
from threading import Thread
from multiprocessing import Process
import time def downloadURL(urls,dirpath):
"""
urls: 需要下载的url列表
dirpath: 下载的本地路径
"""
for url in urls:
if len(url)>0:
#print "current process id is ",os.getpid()
content = urllib.urlopen(url).read()
if not os.path.exists(dirpath):
os.makedirs(dirpath)
#dirpath实际上是文件夹，例如是1Process，+后边的文件夹中的文件名字
#把从网址中读到的所有信息存到该文件中
#url[-26:]是取url的倒数26个，'w'是写模式
open(dirpath+r'/'+url[-26:],'w').write(content) def parseTarget(url):
"""
根据目标url获取文章列表的urls
"""
urls=[]
content=urllib.urlopen(url).read()
#{.*} -- 尽可能多的吸取匹配字符串 (贪婪模式)
#{.*?} -- 只要一匹配到,就不再往后吸取字符 (懒惰模式)
pattern = r'<a title=(.*?) href="(.*?)">'
hrefs = re.findall(pattern,content) for href in hrefs:
urls.append(href[1])#只把href读取出来 return urls def thread_process_job(n, Thread_or_Process, url_list, job):
"""
n: 多线程或多进程数
Thread_Process: Thread／Process类
job: countdown任务
"""
local_time=time.time()
threads_or_processes = [Thread_or_Process(target=job,args=(url_list[i],str(n)+Thread_or_Process.__name__)) for i in xrange(n)]
for t in threads_or_processes:
t.start()
for t in threads_or_processes:
t.join() print n,Thread_or_Process.__name__," run job need ",time.time()-local_time if __name__=="__main__": t=time.time() urls=[]#urls是列表，和numpy中的array要区分开
for i in xrange(7):
#这里的extend要注意，是在list后边接上
#list.extend(seq)：在列表末尾一次性追加另一个序列中的多个值（用新列表扩展原来的列表）
#str(i+1)，因为我们从网站中可以看到，每一页的变化，第一页网站的此处就是1，第二页就是2，以此类推，一共七页
urls.extend(parseTarget('http://blog.sina.com.cn/s/articlelist_1191258123_0_'+str(i+1)+'.html')) url_len = len(urls) print "total urls number is ",url_len for n in [8,4,2,1]:
#将urls分割到url_list
url_list=[] #从Python2.2开始，增加了一个操作符 // ，以执行地板除：//除法不管操作数为何种数值类型，
#总是会舍去小数部分，返回数字序列中比真正的商小的最接近的数字。
url_split_len = url_len//n
for i in xrange(n):
if i==n-1:
#和上边的extend区别开来
#list.append(obj)：在列表末尾添加新的对象，所以它被作为单独整体加入的
#extend是飞散成一个一个的被加入的，这里注意区别
url_list.append(urls[i*url_split_len:url_len])
else:
url_list.append(urls[i*url_split_len:(i+1)*url_split_len])
#分割任务后创建线程
#url_list_len=len(url_list)
#print "total urls_list number is ",url_list_len
thread_process_job(n,Thread, url_list, downloadURL)
thread_process_job(n,Process, url_list, downloadURL) print "All done in ",time.time()-t
输出结果显示：
>>>
total urls number is 315
8 Thread run job need 33.6749999523
8 Process run job need 33.5950000286
4 Thread run job need 40.2200000286
4 Process run job need 90.7750000954
2 Thread run job need 86.0289998055
2 Process run job need 87.0989999771
1 Thread run job need 131.422999859
1 Process run job need 123.995000124
All done in 629.394000053
>>>
由于网速等原因，时间上会有起伏。
上述代码有一个地方有问题，就是在生成目录的时候，有可能会发生一个进程/线程在创建着目录，另一个进程/线程发现没有目录，然后也创建目录的情况。
四、LOCK锁
我们可以用lock锁来保护公共资源。
还是上边用的生产者和消费者模型
没有lock的时候：
#!/usr/bin/env python
# coding: utf-8
#copyRight by heibanke import time
import random
import threading #当还剩下0个产品时，则不进行消费，待生产者生产
#当生产了100个产品时，则不进行生产，待消费者消费 #生产者
class Producer(threading.Thread):
def __init__(self, product,filename):
self.product = product
self.file = filename
threading.Thread.__init__(self) def run(self):
while len(self.product)<100:
tmp = random.randint(0,10)
self.product.append(tmp)
print "add %d, product = %s" %(tmp,str(self.product))
fp=open(self.file,'a')
fp.write("add %d, product = %s\n" %(tmp,str(self.product)))
fp.close()
time.sleep(0.1)
#time.sleep(random.randrange(5)) #消费者
class Consumer(threading.Thread):
def __init__(self, product, filename):
self.product = product
self.file = filename
threading.Thread.__init__(self) def run(self):
while True:
if len(self.product)>0:
tmp = self.product[0]
del self.product[0]
print 'consum %d, product = %s'%(tmp,str(self.product))
fp=open(self.file,'a')
fp.write('consum %d, product = %s\n'%(tmp,str(self.product)))
fp.close()
time.sleep(0.1)
#time.sleep(random.randrange(4)) if __name__ == '__main__':
product = [] #产品初始化时为0 for i in range(5):#五个生产者
p = Producer(product,'log.txt')
p.start() for i in range(3):#三个消费者
s = Consumer(product,'log.txt')
s.start()
会出错。
有锁的时候：
#!/usr/bin/env python
# coding: utf-8
#copyRight by heibanke import time
import random
import threading #当还剩下0个产品时，则不进行消费，待生产者生产
#当生产了100个产品时，则不进行生产，待消费者消费 lock = threading.Condition() #生产者
class Producer(threading.Thread):
def __init__(self, lock, product,filename):
self._lock = lock
self.product = product
self.file = filename
threading.Thread.__init__(self) def run(self):
while True:
if self._lock.acquire():
if len(self.product) >= 100:
self._lock.wait()
else:
tmp = random.randint(0,10)
self.product.append(tmp)
print "add %d, product = %s" %(tmp,str(self.product))
fp=open(self.file,'a')
fp.write("add %d, product = %s\n" %(tmp,str(self.product)))
fp.close()
self._lock.notify()
self._lock.release()
time.sleep(0.1)
#time.sleep(random.randrange(5)) #消费者
class Consumer(threading.Thread):
def __init__(self, lock, product, filename):
self._lock = lock
self.product = product
self.file=filename
threading.Thread.__init__(self) def run(self):
while True:
if self._lock.acquire():
if len(self.product)== 0:
self._lock.wait()
else:
tmp = self.product[0]
del self.product[0]
print 'consum %d, product =%s'%(tmp,str(self.product))
fp=open(self.file,'a')
fp.write('consum %d, product = %s\n'%(tmp,str(self.product)))
fp.close()
self._lock.notify()
self._lock.release()
time.sleep(0.1)
#time.sleep(random.randrange(4)) if __name__ == '__main__':
product = [] #产品初始化时为0
for i in range(5):
p = Producer(lock,product,'log_lock.txt')
p.start() for i in range(3):
s = Consumer(lock,product,'log_lock.txt')
s.start()