multiprocessing.Pool：何时使用apply，apply_async或map？

Question

我没有看到Pool.apply，Pool.apply_async和Pool.map的用例的明确示例。我主要使用Pool.map;别人有什么好处？

Answer 1

回到Python的旧时代，要使用任意参数调用函数，您将使用apply：

apply(f,args,kwargs)

apply仍然存在于Python2.7中，但不存在于Python3中，并且通常不再使用。如今，

f(*args,**kwargs)

是首选。 multiprocessing.Pool模块尝试提供类似的界面。

Pool.apply与Python apply类似，不同之处在于函数调用是在单独的进程中执行的。 Pool.apply阻塞，直到功能完成。

Pool.apply_async也类似于Python的内置apply，除了调用立即返回而不是等待结果。返回AsyncResult个对象。您调用其get()方法来检索函数调用的结果。 get()方法阻塞，直到函数完成。因此，pool.apply(func, args, kwargs)相当于pool.apply_async(func, args, kwargs).get()。

与Pool.apply相比，Pool.apply_async方法还有一个回调，如果提供，则在函数完成时调用。这可以用来代替调用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()

可能会产生结果，例如

[1, 0, 4, 9, 25, 16, 49, 36, 81, 64]

请注意，与pool.map不同，结果的顺序可能与pool.apply_async调用的顺序不对应。

---

因此，如果您需要在单独的流程中运行某个函数，但希望当前流程阻止直到该函数返回，请使用Pool.apply。与Pool.apply一样，Pool.map会阻止，直到返回完整的结果。

如果希望工作进程池池异步执行许多函数调用，请使用Pool.apply_async。结果的顺序不保证与Pool.apply_async的调用顺序相同。

另请注意，您可以使用Pool.apply_async调用多个不同的函数（并非所有调用都需要使用相同的函数）。

相反，Pool.map将相同的函数应用于许多参数。 但是，与Pool.apply_async不同，结果将按照与参数顺序相对应的顺序返回。

Answer 2

关于apply vs map：

pool.apply(f, args)：f仅在池中的一个工作程序中执行。因此，池中的一个进程将运行f(args)。

pool.map(f, iterable)：此方法将iterable切换为多个块，并将其作为单独的任务提交给进程池。因此，您可以利用池中的所有进程。

Answer 3

以下是表格格式的概述，目的是显示Pool.apply，Pool.apply_async，Pool.map和Pool.map_async之间的区别。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

注意：

• Pool.imap和Pool.imap_async – map和map_async的惰性版本。

• Pool.starmap方法，除了接受多个参数外，它与map方法非常相似。

• Async方法立即提交所有过程，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apply）非常相似。它们阻塞主流程，直到所有流程完成并返回结果。

示例：

地图

一次调用一份工作列表

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

一次调用一份工作列表

pool.map_async(func, jobs, callback=collect_result)

apply_async

只能调用一项作业，并在后台并行执行作业

for x, y in [[1, 1], [2, 2]]:
    pool.apply_async(worker, (x, y), callback=collect_result)

starmap

是pool.map的变体，它支持多个参数

pool.starmap(func, [(1, 1), (2, 1), (3, 1)])

starmap_async

starmap（）和map_async（）的组合，它在可迭代对象的可迭代对象上进行迭代，并在未迭代的情况下调用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