Python使用多进程运行含有任意个参数的函数

1. 问题引出

许多时候，我们对程序的速度都是有要求的，速度自然是越快越好。对于Python的话，一般都是使用multiprocessing这个库来实现程序的多进程化，例如：

我们有一个函数my_print，它的作用是打印我们的输入：

def my_print(x):
print(x)

但是我们嫌它的速度太慢了，因此我们要将这个程序多进程化：

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，现在速度与之前的单进程相比提升非常的快，但是问题来了，如果我们的参数不只有一个x，而是有多个，这样能行吗？比如现在my_print新增一个参数y：

def my_print(x, y):
print(x + y)

查看pool.map的函数说明：

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()

发现函数的参数是作为iter传进去的，但是我们现在有两个参数，自然想到使用zip将参数进行打包：

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()

可是执行后却发现，y参数并没有被传进去：

那么如何传入多个参数呢？这也就是本文的重点，接着往下看吧。

2. 解决方案

2.1 使用偏函数（partial）

偏函数有点像数学中的偏导数，可以让我们只关注其中的某一个变量而不考虑其他变量的影响。上面的例子中，Y始终等于1，那么我们在传入参数的时候，只需要考虑X的变化即可。

例如你有一个函数，该函数有两个参数a,b，a是不同路径的下的图片的路径，b是输出的路径。很明显，a是一直在变化的，但是因为我们要将所有图片保存在同一个文件夹下，那么b很可能一直都没变。

具体如下：

if __name__ == '__main__':# 多线程，多参数，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 使用可变参数

在Python函数中，函数可以定义可变参数。顾名思义，可变参数就是传入的参数个数是可变的，可以是1个、2个到任意个，这就直接给我们提供了一种思路。具体如下：

def multi_wrapper(args):
 return my_print(*args)

def my_print(x, y):
 print(x + y)
if __name__ == "__main__": # 多线程，多参数，可变参数版本
 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提供的多进程库

from pathos.multiprocessing import ProcessingPool as newPool

if __name__ == '__main__':# 多线程，多参数，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()

在该库的map函数下，可以看到，它允许多参数输入，其实也就是使用了可变参数：

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函数

if __name__ == '__main__': # 多线程，多参数，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. 总结

其实在以上4种实现方法中 ，第1种方法的限制较多，如果该函数的其它参数都在变化的话，那么它就不能很好地工作，而剩下的方法从体验上来讲是依次递增的，它们都可以接受任意多参数的输入，但是第2种需要额外写一个函数，扣分；第3种方法需要额外安装pathos包，扣分；而最后一种方法不需要任何额外不择就可以完成，所以，推荐大家选择第4种方法！

来源：https://blog.csdn.net/qq_15969343/article/details/84672527