Выполнение задач параллельно в python

Ответ 1

Встроенный класс threading.Thread предлагает все, что вам нужно: start, чтобы начать новый поток и join, чтобы дождаться окончания потока.

import threading

def task1():
    pass
def task2():
    pass
def task3():
    pass
def task4():
    pass
def task5():
    pass
def task6():
    pass

def dep1():
    t1 = threading.Thread(target=task1)
    t2 = threading.Thread(target=task2)
    t3 = threading.Thread(target=task3)

    t1.start()
    t2.start()
    t3.start()

    t1.join()
    t2.join()
    t3.join()

def  dep2():
    t4 = threading.Thread(target=task4)
    t5 = threading.Thread(target=task5)

    t4.start()
    t5.start()

    t4.join()
    t5.join()

def dep3():
    d1 = threading.Thread(target=dep1)
    d2 = threading.Thread(target=dep2)

    d1.start()
    d2.start()

    d1.join()
    d2.join()

d3 = threading.Thread(target=dep3)
d3.start()
d3.join()

В качестве альтернативы для присоединения вы можете использовать Queue.join, чтобы ждать окончания потоков.

Ответ 2

Посмотрите Gevent.

Пример использования:

import gevent
from gevent import socket

def destination(jobs):
    gevent.joinall(jobs, timeout=2)
    print [job.value for job in jobs]

def task1():
    return gevent.spawn(socket.gethostbyname, 'www.google.com')

def task2():
    return gevent.spawn(socket.gethostbyname, 'www.example.com')

def task3():
    return gevent.spawn(socket.gethostbyname, 'www.python.org')

jobs = []
jobs.append(task1())
jobs.append(task2())
jobs.append(task3())
destination(jobs)

Надеюсь, это то, что вы искали.

Ответ 3

Если вы хотите попробовать внешние библиотеки, вы можете элегантно выразить задачи и их зависимости с помощью Ray. Это хорошо работает на одной машине, преимущество в том, что параллелизм и зависимости легче выразить с помощью Ray, чем с многопроцессорной обработкой Python, и у него нет проблемы GIL (глобальная блокировка интерпретатора), которая часто мешает эффективной работе многопоточности. Кроме того, очень легко увеличить нагрузку на кластер, если вам это понадобится в будущем.

Решение выглядит так:

import ray

ray.init()

@ray.remote
def task1():
    pass

@ray.remote
def task2():
    pass

@ray.remote
def task3():
    pass

@ray.remote
def dependent1(x1, x2, x3):
    pass

@ray.remote
def task4():
    pass

@ray.remote
def task5():
    pass

@ray.remote
def task6():
    pass

@ray.remote
def dependent2(x1, x2, x3):
    pass

@ray.remote
def dependent3(x, y):
    pass

id1 = task1.remote()
id2 = task2.remote()
id3 = task3.remote()

dependent_id1 = dependent1.remote(id1, id2, id3)

id4 = task4.remote()
id5 = task5.remote()
id6 = task6.remote()

dependent_id2 = dependent2.remote(id4, id5, id6)

dependent_id3 = dependent3.remote(dependent_id1, dependent_id2)

ray.get(dependent_id3) # This is optional, you can get the results if the tasks return an object

Вы также можете передавать фактические объекты Python между задачами, используя аргументы внутри задач и возвращая результаты (например, говоря "возвращаемое значение" вместо "проходного" выше).

Используя "pip install ray", вышеприведенный код работает "из коробки" на одной машине, и также легко распараллеливать приложения в кластере, либо в облаке, либо в вашем собственном кластере, см . Https://ray.readthedocs. io/en/latest/autoscaling.html и https://ray.readthedocs.io/en/latest/using-ray-on-a-cluster.html). Это может пригодиться, если ваша рабочая нагрузка будет расти позже.

Отказ от ответственности: я один из разработчиков Ray.