多处理：如何在类中定义的函数上使用 Pool.map？-IT科技

摘要：问题描述：当我运行类似这样的操作时：from multiprocessing import Pool p = Pool(5) def f(x): return x*x p.map(f, [1,2,3]) 它工作正常。但是，将其作为类的函数：class calculate(object): ...

问题描述：

当我运行类似这样的操作时：

from multiprocessing import Pool

p = Pool(5)
def f(x):
     return x*x

p.map(f, [1,2,3])

它工作正常。但是，将其作为类的函数：

class calculate(object):
    def run(self):
        def f(x):
            return x*x

        p = Pool()
        return p.map(f, [1,2,3])

cl = calculate()
print cl.run()

出现以下错误：

Exception in thread Thread-1:
Traceback (most recent call last):
  File "/sw/lib/python2.6/threading.py", line 532, in __bootstrap_inner
    self.run()
  File "/sw/lib/python2.6/threading.py", line 484, in run
    self.__target(*self.__args, **self.__kwargs)
  File "/sw/lib/python2.6/multiprocessing/pool.py", line 225, in _handle_tasks
    put(task)
PicklingError: Can't pickle <type 'function'>: attribute lookup __builtin__.function failed

我见过 Alex Martelli 发表的一篇文章，讨论同样的问题，但不够明确。

解决方案 1：

我无法使用迄今为止发布的代码，因为使用“multiprocessing.Pool”的代码不适用于 lambda 表达式，而未使用“multiprocessing.Pool”的代码会产生与工作项一样多的进程。

我修改了代码，使其生成预定义数量的工作程序，并且仅在存在空闲工作程序时才遍历输入列表。我还为工作程序启用了“守护进程”模式，因此 ctrl-c 可以按预期工作。

import multiprocessing


def fun(f, q_in, q_out):
    while True:
        i, x = q_in.get()
        if i is None:
            break
        q_out.put((i, f(x)))


def parmap(f, X, nprocs=multiprocessing.cpu_count()):
    q_in = multiprocessing.Queue(1)
    q_out = multiprocessing.Queue()

    proc = [multiprocessing.Process(target=fun, args=(f, q_in, q_out))
            for _ in range(nprocs)]
    for p in proc:
        p.daemon = True
        p.start()

    sent = [q_in.put((i, x)) for i, x in enumerate(X)]
    [q_in.put((None, None)) for _ in range(nprocs)]
    res = [q_out.get() for _ in range(len(sent))]

    [p.join() for p in proc]

    return [x for i, x in sorted(res)]


if __name__ == '__main__':
    print(parmap(lambda i: i * 2, [1, 2, 3, 4, 6, 7, 8]))

解决方案 2：

除非您跳出标准库，否则多处理和 pickling 将会被破坏且受到限制。

multiprocessing如果使用called的分支pathos.multiprocesssing，则可以在多处理map函数中直接使用类和类方法。这是因为dill使用了而不是pickle或cPickle，并且dill可以序列化 Python 中的几乎任何内容。

pathos.multiprocessing还提供了异步映射函数……并且可以map用多个参数来运行（例如map(math.pow, [1,2,3], [4,5,6])）

查看讨论：
多处理和 dill 可以一起做什么？

以及：
http ://matthewrocklin.com/blog/work/2013/12/05/Parallelism-and-Serialization

它甚至可以处理您最初编写的代码（无需修改）以及来自解释器的代码。 为什么要做其他更脆弱且特定于单个案例的事情呢？

>>> from pathos.multiprocessing import ProcessingPool as Pool
>>> class calculate(object):
...  def run(self):
...   def f(x):
...    return x*x
...   p = Pool()
...   return p.map(f, [1,2,3])
... 
>>> cl = calculate()
>>> print cl.run()
[1, 4, 9]

在此处获取代码：
https：//github.com/uqfoundation/pathos

下面，我们来展示一下它还能做些什么：

>>> from pathos.multiprocessing import ProcessingPool as Pool
>>> 
>>> p = Pool(4)
>>> 
>>> def add(x,y):
...   return x+y
... 
>>> x = [0,1,2,3]
>>> y = [4,5,6,7]
>>> 
>>> p.map(add, x, y)
[4, 6, 8, 10]
>>> 
>>> class Test(object):
...   def plus(self, x, y): 
...     return x+y
... 
>>> t = Test()
>>> 
>>> p.map(Test.plus, [t]*4, x, y)
[4, 6, 8, 10]
>>> 
>>> res = p.amap(t.plus, x, y)
>>> res.get()
[4, 6, 8, 10]

解决方案 3：

我还对pool.map可以接受的函数类型的限制感到烦恼。我写了下面的代码来解决这个问题。它似乎有效，即使对于parmap的递归使用也是如此。

from multiprocessing import Process, Pipe
from itertools import izip

def spawn(f):
    def fun(pipe, x):
        pipe.send(f(x))
        pipe.close()
    return fun

def parmap(f, X):
    pipe = [Pipe() for x in X]
    proc = [Process(target=spawn(f), args=(c, x)) for x, (p, c) in izip(X, pipe)]
    [p.start() for p in proc]
    [p.join() for p in proc]
    return [p.recv() for (p, c) in pipe]

if __name__ == '__main__':
    print parmap(lambda x: x**x, range(1, 5))

解决方案 4：

据我所知，目前您的问题没有解决方案：您提供的函数map()必须通过导入模块才能访问。这就是 robert 的代码有效的原因：f()可以通过导入以下代码来获取该函数：

def f(x):
    return x*x

class Calculate(object):
    def run(self):
        p = Pool()
        return p.map(f, [1,2,3])

if __name__ == '__main__':
    cl = Calculate()
    print cl.run()

我实际上添加了一个“main”部分，因为这遵循了Windows 平台的建议（“确保主模块可以被新的 Python 解释器安全地导入，而不会导致意外的副作用”）。

我还在前面添加了一个大写字母Calculate，以符合PEP 8。:)

解决方案 5：

mrule 的解决方案是正确的，但是有一个错误：如果子进程发回大量数据，它可能会填满管道的缓冲区，从而阻塞在子进程的上pipe.send()，而父进程则在上等待子进程退出pipe.join()。解决方案是在读取子进程之前读取子进程的数据join()。此外，子进程应关闭父进程的管道末端以防止死锁。以下代码修复了这个问题。还请注意，这parmap会为中的每个元素创建一个进程X。更高级的解决方案是使用multiprocessing.cpu_count()分成X多个块，然后在返回之前合并结果。我把这个留给读者作为练习，以免破坏 mrule 的简洁性。;)

from multiprocessing import Process, Pipe
from itertools import izip

def spawn(f):
    def fun(ppipe, cpipe,x):
        ppipe.close()
        cpipe.send(f(x))
        cpipe.close()
    return fun

def parmap(f,X):
    pipe=[Pipe() for x in X]
    proc=[Process(target=spawn(f),args=(p,c,x)) for x,(p,c) in izip(X,pipe)]
    [p.start() for p in proc]
    ret = [p.recv() for (p,c) in pipe]
    [p.join() for p in proc]
    return ret

if __name__ == '__main__':
    print parmap(lambda x:x**x,range(1,5))

解决方案 6：

我也为此苦苦挣扎。我将函数作为类的数据成员，作为一个简单的示例：

from multiprocessing import Pool
import itertools
pool = Pool()
class Example(object):
    def __init__(self, my_add): 
        self.f = my_add  
    def add_lists(self, list1, list2):
        # Needed to do something like this (the following line won't work)
        return pool.map(self.f,list1,list2)

我需要在同一个类中的 Pool.map() 调用中使用函数 self.f，而 self.f 不接受元组作为参数。由于此函数嵌入在类中，因此我不清楚如何编写其他答案建议的包装器类型。

我通过使用另一个包装器解决了这个问题，该包装器采用元组/列表，其中第一个元素是函数，其余元素是该函数的参数，称为 eval_func_tuple(f_args)。使用这个，有问题的行可以用 return pool.map(eval_func_tuple, itertools.izip(itertools.repeat(self.f), list1, list2)) 替换。以下是完整代码：

文件：util.py

def add(a, b): return a+b

def eval_func_tuple(f_args):
    """Takes a tuple of a function and args, evaluates and returns result"""
    return f_args[0](*f_args[1:])

文件：main.py

from multiprocessing import Pool
import itertools
import util  

pool = Pool()
class Example(object):
    def __init__(self, my_add): 
        self.f = my_add  
    def add_lists(self, list1, list2):
        # The following line will now work
        return pool.map(util.eval_func_tuple, 
            itertools.izip(itertools.repeat(self.f), list1, list2)) 

if __name__ == '__main__':
    myExample = Example(util.add)
    list1 = [1, 2, 3]
    list2 = [10, 20, 30]
    print myExample.add_lists(list1, list2)

运行 main.py 将得到 [11, 22, 33]。您可以随意改进它，例如，eval_func_tuple 也可以修改为接受关键字参数。

另外，在另一个答案中，当进程数多于可用 CPU 数时，函数“parmap”可以变得更高效。我在下面复制了一个编辑后的版本。这是我的第一篇文章，我不确定是否应该直接编辑原始答案。我还重命名了一些变量。

from multiprocessing import Process, Pipe  
from itertools import izip  

def spawn(f):  
    def fun(pipe,x):  
        pipe.send(f(x))  
        pipe.close()  
    return fun  

def parmap(f,X):  
    pipe=[Pipe() for x in X]  
    processes=[Process(target=spawn(f),args=(c,x)) for x,(p,c) in izip(X,pipe)]  
    numProcesses = len(processes)  
    processNum = 0  
    outputList = []  
    while processNum < numProcesses:  
        endProcessNum = min(processNum+multiprocessing.cpu_count(), numProcesses)  
        for proc in processes[processNum:endProcessNum]:  
            proc.start()  
        for proc in processes[processNum:endProcessNum]:  
            proc.join()  
        for proc,c in pipe[processNum:endProcessNum]:  
            outputList.append(proc.recv())  
        processNum = endProcessNum  
    return outputList    

if __name__ == '__main__':  
    print parmap(lambda x:x**x,range(1,5))

解决方案 7：

我知道这个问题是8年10个月前提出的，但我想向您介绍我的解决方案：

from multiprocessing import Pool

class Test:

    def __init__(self):
        self.main()

    @staticmethod
    def methodForMultiprocessing(x):
        print(x*x)

    def main(self):
        if __name__ == "__main__":
            p = Pool()
            p.map(Test.methodForMultiprocessing, list(range(1, 11)))
            p.close()

TestObject = Test()

你只需要将类函数变成静态方法即可。但使用类方法也是可行的：

from multiprocessing import Pool

class Test:

    def __init__(self):
        self.main()

    @classmethod
    def methodForMultiprocessing(cls, x):
        print(x*x)

    def main(self):
        if __name__ == "__main__":
            p = Pool()
            p.map(Test.methodForMultiprocessing, list(range(1, 11)))
            p.close()

TestObject = Test()

在 Python 3.7.3 中测试

解决方案 8：

我知道这个问题已经问了 6 年多了，但我只是想添加我的解决方案，因为上面的一些建议看起来非常复杂，但我的解决方案实际上非常简单。

我所要做的就是将pool.map()调用包装到一个辅助函数中。将类对象与方法的参数一起作为元组传递，看起来有点像这样。

def run_in_parallel(args):
    return args[0].method(args[1])

myclass = MyClass()
method_args = [1,2,3,4,5,6]
args_map = [ (myclass, arg) for arg in method_args ]
pool = Pool()
pool.map(run_in_parallel, args_map)

解决方案 9：

我采纳了 klaus se 和 aganders3 的答案，并制作了一个更易读且保存在一个文件中的文档模块。您可以将其添加到您的项目中。它甚至有一个可选的进度条！

"""
The ``processes`` module provides some convenience functions
for using parallel processes in python.

Adapted from http://stackoverflow.com/a/16071616/287297

Example usage:

    print prll_map(lambda i: i * 2, [1, 2, 3, 4, 6, 7, 8], 32, verbose=True)

Comments:

"It spawns a predefined amount of workers and only iterates through the input list
 if there exists an idle worker. I also enabled the "daemon" mode for the workers so
 that KeyboardInterupt works as expected."

Pitfalls: all the stdouts are sent back to the parent stdout, intertwined.

Alternatively, use this fork of multiprocessing: 
https://github.com/uqfoundation/multiprocess
"""

# Modules #
import multiprocessing
from tqdm import tqdm

################################################################################
def apply_function(func_to_apply, queue_in, queue_out):
    while not queue_in.empty():
        num, obj = queue_in.get()
        queue_out.put((num, func_to_apply(obj)))

################################################################################
def prll_map(func_to_apply, items, cpus=None, verbose=False):
    # Number of processes to use #
    if cpus is None: cpus = min(multiprocessing.cpu_count(), 32)
    # Create queues #
    q_in  = multiprocessing.Queue()
    q_out = multiprocessing.Queue()
    # Process list #
    new_proc  = lambda t,a: multiprocessing.Process(target=t, args=a)
    processes = [new_proc(apply_function, (func_to_apply, q_in, q_out)) for x in range(cpus)]
    # Put all the items (objects) in the queue #
    sent = [q_in.put((i, x)) for i, x in enumerate(items)]
    # Start them all #
    for proc in processes:
        proc.daemon = True
        proc.start()
    # Display progress bar or not #
    if verbose:
        results = [q_out.get() for x in tqdm(range(len(sent)))]
    else:
        results = [q_out.get() for x in range(len(sent))]
    # Wait for them to finish #
    for proc in processes: proc.join()
    # Return results #
    return [x for i, x in sorted(results)]

################################################################################
def test():
    def slow_square(x):
        import time
        time.sleep(2)
        return x**2
    objs    = range(20)
    squares = prll_map(slow_square, objs, 4, verbose=True)
    print "Result: %s" % squares

编辑：添加了@alexander-mcfarlane 建议和测试功能

解决方案 10：

在类中定义的函数（甚至在类中的函数内）实际上不会进行 pickle。但是，这有效：

def f(x):
    return x*x

class calculate(object):
    def run(self):
        p = Pool()
    return p.map(f, [1,2,3])

cl = calculate()
print cl.run()

解决方案 11：

我修改了 klaus se 的方法，因为虽然它适用于小列表，但当项目数量达到约 1000 或更多时，它就会挂起。None我没有使用停止条件一次推送一个作业，而是一次性加载输入队列，让进程不断处理它，直到队列为空。

from multiprocessing import cpu_count, Queue, Process

def apply_func(f, q_in, q_out):
    while not q_in.empty():
        i, x = q_in.get()
        q_out.put((i, f(x)))

# map a function using a pool of processes
def parmap(f, X, nprocs = cpu_count()):
    q_in, q_out   = Queue(), Queue()
    proc = [Process(target=apply_func, args=(f, q_in, q_out)) for _ in range(nprocs)]
    sent = [q_in.put((i, x)) for i, x in enumerate(X)]
    [p.start() for p in proc]
    res = [q_out.get() for _ in sent]
    [p.join() for p in proc]

    return [x for i,x in sorted(res)]

编辑：不幸的是现在我在我的系统上遇到了这个错误：多处理队列最大大小限制为 32767，希望那里的解决方法能够有所帮助。

解决方案 12：

这是我的解决方案，我认为它比这里的大多数解决方案都更简洁。它与 nightowl 的答案类似。

someclasses = [MyClass(), MyClass(), MyClass()]

def method_caller(some_object, some_method='the method'):
    return getattr(some_object, some_method)()

othermethod = partial(method_caller, some_method='othermethod')

with Pool(6) as pool:
    result = pool.map(othermethod, someclasses)

解决方案 13：

Pool如果您以某种方式手动忽略类中对象列表中的对象，则可以毫无问题地运行代码，因为它无法pickle像错误所说的那样运行。您可以使用__getstate__函数（也请查看此处）执行此操作，如下所示。Pool对象将尝试查找__getstate__和__setstate__函数，如果在您运行等时找到它们map，则执行它们map_async：

class calculate(object):
    def __init__(self):
        self.p = Pool()
    def __getstate__(self):
        self_dict = self.__dict__.copy()
        del self_dict['p']
        return self_dict
    def __setstate__(self, state):
        self.__dict__.update(state)

    def f(self, x):
        return x*x
    def run(self):
        return self.p.map(self.f, [1,2,3])

然后执行以下操作：

cl = calculate()
cl.run()

将会给出输出：

[1, 4, 9]

我已经在 Python 3.x 中测试了上述代码并且它可以运行。

解决方案 14：

这可能不是一个很好的解决方案，但就我而言，我是这样解决的。

from multiprocessing import Pool

def foo1(data):
    self = data.get('slf')
    lst = data.get('lst')
    return sum(lst) + self.foo2()

class Foo(object):
    def __init__(self, a, b):
        self.a = a
        self.b = b

    def foo2(self):
        return self.a**self.b   

    def foo(self):
        p = Pool(5)
        lst = [1, 2, 3]
        result = p.map(foo1, (dict(slf=self, lst=lst),))
        return result

if __name__ == '__main__':
    print(Foo(2, 4).foo())

我必须将其传递self给我的函数，因为我必须通过该函数访问我的类的属性和函数。这对我来说很有效。欢迎提出更正和建议。

解决方案 15：

这是我为在 python3 中使用多处理池编写的样板，具体来说，python3.7.7 用于运行测试。我使用获得了最快的运行速度imap_unordered。只需插入您的场景并尝试一下。您可以使用timeit或只是time.time()为了找出哪种最适合您。

import multiprocessing
import time

NUMBER_OF_PROCESSES = multiprocessing.cpu_count()
MP_FUNCTION = 'starmap'  # 'imap_unordered' or 'starmap' or 'apply_async'

def process_chunk(a_chunk):
    print(f"processig mp chunk {a_chunk}")
    return a_chunk


map_jobs = [1, 2, 3, 4]

result_sum = 0

s = time.time()
if MP_FUNCTION == 'imap_unordered':
    pool = multiprocessing.Pool(processes=NUMBER_OF_PROCESSES)
    for i in pool.imap_unordered(process_chunk, map_jobs):
        result_sum += i
elif MP_FUNCTION == 'starmap':
    pool = multiprocessing.Pool(processes=NUMBER_OF_PROCESSES)
    try:
        map_jobs = [(i, ) for i in map_jobs]
        result_sum = pool.starmap(process_chunk, map_jobs)
        result_sum = sum(result_sum)
    finally:
        pool.close()
        pool.join()
elif MP_FUNCTION == 'apply_async':
    with multiprocessing.Pool(processes=NUMBER_OF_PROCESSES) as pool:
        result_sum = [pool.apply_async(process_chunk, [i, ]).get() for i in map_jobs]
    result_sum = sum(result_sum)
print(f"result_sum is {result_sum}, took {time.time() - s}s")

上面的场景imap_unordered对我来说实际上表现最差。尝试一下你的案例并在你计划运行它的机器上进行基准测试。另外阅读一下进程池。干杯！

解决方案 16：

我不确定是否采用了这种方法，但我正在使用的解决方法是：

from multiprocessing import Pool

t = None

def run(n):
    return t.f(n)

class Test(object):
    def __init__(self, number):
        self.number = number

    def f(self, x):
        print x * self.number

    def pool(self):
        pool = Pool(2)
        pool.map(run, range(10))

if __name__ == '__main__':
    t = Test(9)
    t.pool()
    pool = Pool(2)
    pool.map(run, range(10))

输出应该是：

解决方案 17：

class Calculate(object):
  # Your instance method to be executed
  def f(self, x, y):
    return x*y

if __name__ == '__main__':
  inp_list = [1,2,3]
  y = 2
  cal_obj = Calculate()
  pool = Pool(2)
  results = pool.map(lambda x: cal_obj.f(x, y), inp_list)

您可能希望将此函数应用于类的每个不同实例。那么以下也是解决方案

class Calculate(object):
  # Your instance method to be executed
  def __init__(self, x):
    self.x = x

  def f(self, y):
    return self.x*y

if __name__ == '__main__':
  inp_list = [Calculate(i) for i in range(3)]
  y = 2
  pool = Pool(2)
  results = pool.map(lambda x: x.f(y), inp_list)

解决方案 18：

摘自http://www.rueckstiess.net/research/snippets/show/ca1d7d90和http://qingkaikong.blogspot.com/2016/12/python-parallel-method-in-class.html

我们可以创建一个外部函数并使用类自身对象为其植入种子：

from joblib import Parallel, delayed
def unwrap_self(arg, **kwarg):
    return square_class.square_int(*arg, **kwarg)

class square_class:
    def square_int(self, i):
        return i * i

    def run(self, num):
        results = []
        results = Parallel(n_jobs= -1, backend="threading")\n            (delayed(unwrap_self)(i) for i in zip([self]*len(num), num))
        print(results)

或者不使用 joblib：

from multiprocessing import Pool
import time

def unwrap_self_f(arg, **kwarg):
    return C.f(*arg, **kwarg)

class C:
    def f(self, name):
        print 'hello %s,'%name
        time.sleep(5)
        print 'nice to meet you.'

    def run(self):
        pool = Pool(processes=2)
        names = ('frank', 'justin', 'osi', 'thomas')
        pool.map(unwrap_self_f, zip([self]*len(names), names))

if __name__ == '__main__':
    c = C()
    c.run()

解决方案 19：

要在 aws lambda 中实现多处理，我们有两种方法。注意：线程池在 aws lambda 中不起作用

使用 aws 团队提供的示例解决方案，请使用此链接https://aws.amazon.com/blogs/compute/parallel-processing-in-python-with-aws-lambda/
使用此包https://pypi.org/project/lambda-multiprocessing/

我已经使用这两个解决方案实现了我的 lambda 函数，并且两者都运行良好，无法在这里分享我的代码，但这两个链接肯定会对你有所帮助。

我发现第二种方法更容易实现。

解决方案 20：

还有一些库可以使这更容易，例如autothread（仅适用于 Python 3.6 及更高版本）：

import autothread

class calculate(object):
    def run(self):
        @autothread.multiprocessed()
        def f(x: int):
            return x*x

        return f([1,2,3])

cl = calculate()
print(cl.run())

您还可以看看lox。