Python 3 - Lernen und professionell anwenden

915

32.6

Daten im Pool bearbeiten

쐽 Sie rufen die Methode map() des Pool-Objektes auf. Das Format ist map(func, iter-

able,

[chunksize]). Dabei ist func der Name der Funktion, die die Arbeitsprozesse

ausführen sollen. Das zweite Argument

iterable ist die Daten-Kollektion, die verarbei-

tet werden soll. Die Methode zerteilt die Kollektion in Stücke, die sie den Prozessen

zuordnet. Das optionale dritte Argument gibt die ungefähre Größe dieser Stücke an

(Anzahl der Elemente der Kollektion). Die Methode

map() liefert eine Liste mit den

gesammelten Ergebnissen der parallelen Berechnungen.

32.6.1 Mit dem Pool geht’s schneller – ein Zeitexperiment

Das folgende Experiment vergleicht den Zeitbedarf von paralleler und serieller Verarbei-

tung. Wir haben eine Liste von acht Zahlen, deren Quadrate berechnet werden sollen. Die

Funktion, die das Quadrat berechnet, enthält eine

sleep()-Anweisung, die den Prozess für

eine Sekunde schlafen legt. Damit simulieren wir eine komplexere Funktion, deren Ausfüh-

rung mehr Zeit benötigt.

Skript:

Erläuterung:

#1: Der Prozess, in dem die Funktion ausgeführt wird, wartet eine Sekunde lang.

#2: Ein Pool von Arbeitsprozessen wird erzeugt. Da keine Prozesszahl explizit angegeben

wird, ist die Anzahl der Prozesse gleich der Anzahl der Prozessoren. Das ist die maximal

mögliche Parallelität auf dieser Hardware.

#3: Startzeit (Anzahl Sekunden seit Beginn der »Epoche«).

#4: Eine Folge von Zahlen von 0 bis 7.

from multiprocessing import Pool

from time import time, sleep

def square(x):

sleep(1) #1

return x**2

if __name__ == '__main__':

p = Pool() #2

start = time() #3

numbers = range(8) #4

result = p.map(square, numbers) #5

p.close() #6

p.join()

print(result, "Zeit parallel: ", time() - start) #7

start = time() #8

result = list(map(square, numbers)) #9

print(result, "Zeit seriell: ", time() - start)