问题:multiprocessing.Pool:何时使用apply,apply_async或map?
我还没有看到关于Pool.apply,Pool.apply_async和Pool.map用例的清晰示例。我主要使用Pool.map
; 别人的优势是什么?
回答 0
在Python的早期,要使用任意参数调用函数,可以使用apply
:
apply(f,args,kwargs)
apply
尽管在Python2.7中仍然存在,但在Python3中仍然存在,并且通常不再使用。如今,
f(*args,**kwargs)
是首选。这些multiprocessing.Pool
模块尝试提供类似的接口。
Pool.apply
就像Python一样apply
,不同之处在于函数调用是在单独的进程中执行的。Pool.apply
直到功能完成为止。
Pool.apply_async
也类似于Python的内置函数apply
,除了调用立即返回而不是等待结果而已。AsyncResult
返回一个对象。您调用其get()
方法以检索函数调用的结果。该get()
方法将阻塞直到功能完成。因此,pool.apply(func, args, kwargs)
等效于pool.apply_async(func, args, kwargs).get()
。
与相比Pool.apply
,该Pool.apply_async
方法还具有一个回调,如果提供该回调,则在函数完成时调用该回调。可以使用它来代替get()
。
例如:
import multiprocessing as mp
import time
def foo_pool(x):
time.sleep(2)
return x*x
result_list = []
def log_result(result):
# This is called whenever foo_pool(i) returns a result.
# result_list is modified only by the main process, not the pool workers.
result_list.append(result)
def apply_async_with_callback():
pool = mp.Pool()
for i in range(10):
pool.apply_async(foo_pool, args = (i, ), callback = log_result)
pool.close()
pool.join()
print(result_list)
if __name__ == '__main__':
apply_async_with_callback()
可能会产生如下结果
[1, 0, 4, 9, 25, 16, 49, 36, 81, 64]
请注意,与不同pool.map
,结果的顺序可能与pool.apply_async
调用的顺序不同。
因此,如果您需要在一个单独的进程中运行一个函数,但是希望当前进程在该函数返回之前一直阻塞,请使用Pool.apply
。像一样Pool.apply
,Pool.map
阻塞直到返回完整的结果。
如果希望工作进程池异步执行许多功能调用,请使用Pool.apply_async
。结果的顺序不能保证与调用的顺序相同Pool.apply_async
。
还要注意,您可以使用调用许多不同的函数Pool.apply_async
(并非所有调用都需要使用同一函数)。
相反,Pool.map
将相同的函数应用于许多参数。但是,与不同Pool.apply_async
,结果按与参数顺序相对应的顺序返回。
回答 1
关于apply
vs map
:
pool.apply(f, args)
:f
仅在池中的一个工作线程中执行。因此,池中的一个进程将运行f(args)
。
pool.map(f, iterable)
:此方法将可迭代项分为多个块,将其作为单独的任务提交给流程池。因此,您可以利用池中的所有进程。
回答 2
以下是在一个表的格式,以显示之间的差异的概述Pool.apply
,Pool.apply_async
,Pool.map
和Pool.map_async
。选择一个时,必须考虑多个参数,并发性,阻塞和排序:
| Multi-args Concurrence Blocking Ordered-results
---------------------------------------------------------------------
Pool.map | no yes yes yes
Pool.map_async | no yes no yes
Pool.apply | yes no yes no
Pool.apply_async | yes yes no no
Pool.starmap | yes yes yes yes
Pool.starmap_async| yes yes no no
笔记:
Pool.imap
和Pool.imap_async
–地图和map_async的惰性版本。Pool.starmap
方法,除了接受多个参数外,与map方法非常相似。Async
方法一次提交所有流程,并在完成后检索结果。使用get方法获取结果。Pool.map
(或Pool.apply
)方法与Python内置map(或套用)非常相似。它们阻塞主流程,直到所有流程完成并返回结果。
例子:
地图
一次调用一份工作清单
results = pool.map(func, [1, 2, 3])
应用
只能被要求一份工作
for x, y in [[1, 1], [2, 2]]:
results.append(pool.apply(func, (x, y)))
def collect_result(result):
results.append(result)
map_async
一次调用一份工作清单
pool.map_async(func, jobs, callback=collect_result)
apply_async
只能调用一个作业并在后台并行执行一个作业
for x, y in [[1, 1], [2, 2]]:
pool.apply_async(worker, (x, y), callback=collect_result)
星图
是pool.map
支持多个参数的变体
pool.starmap(func, [(1, 1), (2, 1), (3, 1)])
starmap_async
starmap()和map_async()的组合,它对可迭代的可迭代对象进行迭代,并在未包装可迭代对象的情况下调用func。返回结果对象。
pool.starmap_async(calculate_worker, [(1, 1), (2, 1), (3, 1)], callback=collect_result)
参考:
在此处找到完整的文档:https : //docs.python.org/3/library/multiprocessing.html