Python使用多進程運行含有任意個參數的函數

1. 問題引出

許多時候，我們對程序的速度都是有要求的，速度自然是越快越好。對於Python的話，一般都是使用multiprocessing這個庫來實現程序的多進程化，例如：

我們有一個函數my_print，它的作用是打印我們的輸入：

def my_print(x):

print(x)

但是我們嫌它的速度太慢了，因此我們要將這個程序多進程化：

from multiprocessing import Pool def my_print(x): print(x) if __name__ == "__main__": x = [1, 2, 3, 4, 5] pool = Pool() pool.map(my_print, x) pool.close() pool.join()

很好，現在速度與之前的單進程相比提升非常的快，但是問題來了，如果我們的參數不只有一個x，而是有多個，這樣能行嗎？比如現在my_print新增一個參數y：

def my_print(x, y):

print(x + y)

查看pool.map的函數說明：

def map(self, func, iterable, chunksize=None): ''' Apply `func` to each element in `iterable`, collecting the results in a list that is returned. ''' return self._map_async(func, iterable, mapstar, chunksize).get()

發現函數的參數是作為iter傳進去的，但是我們現在有兩個參數，自然想到使用zip將參數進行打包：

if __name__ == "__main__": x = [1, 2, 3, 4, 5] y = [1, 1, 1, 1, 1] zip_args = list(zip(x, y)) pool = Pool() pool.map(my_print, zip_args) pool.close() pool.join()

可是執行後卻發現，y參數並沒有被傳進去：

那麼如何傳入多個參數呢？這也就是本文的重點，接著往下看吧。

2. 解決方案

2.1 使用偏函數（partial）

偏函數有點像數學中的偏導數，可以讓我們只關注其中的某一個變量而不考慮其他變量的影響。上面的例子中，Y始終等於1，那麼我們在傳入參數的時候，只需要考慮X的變化即可。

例如你有一個函數，該函數有兩個參數a,b，a是不同路徑的下的圖片的路徑，b是輸出的路徑。很明顯，a是一直在變化的，但是因為我們要將所有圖片保存在同一個文件夾下，那麼b很可能一直都沒變。

具體如下：

if __name__ == '__main__':# 多線程，多參數，partial版本 x = [1, 2, 3, 4, 5] y = 1 partial_func = partial(my_print, y=y) pool = Pool() pool.map(partial_func, x) pool.close() pool.join()

2.2 使用可變參數

在Python函數中，函數可以定義可變參數。顧名思義，可變參數就是傳入的參數個數是可變的，可以是1個、2個到任意個，這就直接給我們提供了一種思路。具體如下：

def multi_wrapper(args): return my_print(*args) def my_print(x, y): print(x + y) if __name__ == "__main__": # 多線程，多參數，可變參數版本 x = [1, 2, 3, 4, 5] y = [1, 1, 1, 1, 1] zip_args = list(zip(x, y)) pool = Pool() pool.map(multi_wrapper, zip_args) pool.close() pool.join()

2.3 使用pathos提供的多進程庫

from pathos.multiprocessing import ProcessingPool as newPool if __name__ == '__main__':# 多線程，多參數，pathos版本 x = [1, 2, 3, 4, 5] y = [1, 1, 1, 1, 1] pool = newPool() pool.map(my_print, x, y) pool.close() pool.join()

在該庫的map函數下，可以看到，它允許多參數輸入，其實也就是使用了可變參數：

def map(self, f, *args, **kwds): AbstractWorkerPool._AbstractWorkerPool__map(self, f, *args, **kwds) _pool = self._serve() return _pool.map(star(f), zip(*args)) # chunksize

2.4 使用starmap函數

if __name__ == '__main__': # 多線程，多參數，starmap版本 x = [1, 2, 3, 4, 5] y = [1, 1, 1, 1, 1] zip_args = list(zip(x, y)) pool = Pool() pool.starmap(my_print, zip_args) pool.close() pool.join()

3. 總結

其實在以上4種實現方法中 ，第1種方法的限制較多，如果該函數的其它參數都在變化的話，那麼它就不能很好地工作，而剩下的方法從體驗上來講是依次遞增的，它們都可以接受任意多參數的輸入，但是第2種需要額外寫一個函數，扣分；第3種方法需要額外安裝pathos包，扣分；而最後一種方法不需要任何額外不擇就可以完成，所以，推薦大家選擇第4種方法！