弱极了，请教 Python 多线程如何快速开始

[pathetique]

文科轻拍

晚上用 python 写雍正实录的词汇统计

雍正的起居官特别能写，一百三十多万字，用 M1 pro 的电脑，半个小时才检索到三万多字（算法应该没问题），看了看 cpu ，只有一个 100%的占用

有没有特别简单的 python 多线程调用入门，希望自己能理解的那种？

不知道问清楚没有

[noneusername]

边看文档，边让 GPT 输出示例测试

[ysc3839]

CPU 密集运算用 Python 的多线程是没用的，需要多进程
这种情况手动分段然后开多几个同时跑就好了

[Weixiao0725]

看一下 multiprocessing.Pool

[suith27]

可以研究一下 multiprocessing： https://docs.python.org/zh-cn/3/library/multiprocessing.html

[shalingye]

你需要的是多进程，简单得很，这是我的模板：
if __name__=='__main__':
from multiprocessing import Pool # 导入进程池
path=choosefolder()
p = Pool() # 创建进程池,留空代表 Cpu 的逻辑内核数目
while True:
try:
for n in range(1,1000):
p.apply_async(download, args=(n,path)) # 向进程池中添加任务
except:
p.close() # 结束向进程池中添加任务（后续不能再使用 apply_async 方法添加新任务）
p.join() # 实现进程同步
break

[shalingye]

缩进寄了，自己排吧，choosefolder 和 download 都是函数名，args 代表 download 函数的参数，如果只有一个参数需要写成 n,的形式，把你需要分割处理的函数替换到 download 的位置

[fyq]

如果只有一个文档的话，最简单的方法是手动拆分成好几个，然后同时针对拆分后不同的的文档运行你的程序去分析，时候再针对得到的结果汇总一下就好了。

[liyafe1997]

Python 的多线程是假的，忘了这东西吧，要干正事得看多进程 multiprocessing.Pool

[lovelylain]

python 有个著名的 GIL 锁，执行 Python 代码时都需要先获取这个锁，所以虽然多线程，但同一时间只有一个线程获得这个锁，其他线程都在等待，结果只能跑满一个核。如果你是 c 模块处理，可以手动释放锁处理完再获取，这样多线程就能突破单核限制。但 c 模块开发效率和可移植性很差，更好的方案是上面提到的 multiprocessing 多进程。

[tulongtou]

卧槽，现在文科生都这么优秀了么，卷到理科生这边来了

[litguy]

多进程，每个进程处理其中的一部分东西，最后所有进程结果汇总

[strawberrydafu]

检索具体是在干什么？半小时才 3 万字我怀疑算法本身有很多优化空间

[Kinnice]

词汇统计，m1 ，半小时 3w 字，看起来算法不像是没有问题

[ohayoo]

其实可以用第三方的任务队列库，自带多进程多线程选项，只需要关注自己的逻辑函数即可，都可以尝试对比下

[adoni]

参见： https://adoni.github.io/2019/01/07/python-practice/#concurrent-and-multi-process

```python
from concurrent.futures import ProcessPoolExecutor
with ProcessPoolExecutor(max_workers=16) as exe:
result = exe.map(func, data_list)
```

另外，你可以直接改成单线程，看一下，我感觉 130 万字，分分钟跑完。

[aijam]

"半个小时才检索到三万多字"，这得多慢啊，口算可能都比这个快

[coderluan]

这个你问 chatgpt 更方便，最简单应该是 concurrent.futures.ThreadPoolExecutor ，然后用 subprocess 调用你的程序开多进程。

[killva4624]

多进程记得考虑进程安全

[laqow]

会不会算法其实有问题？至少 python 原生的文件 IO 和字符串处理慢的一匹，直接把所有文字 read 进内存再处理，或者以二进制读取后在 byte 对象上搜索都能快出个十倍来

[iX8NEGGn]

半小时三万多字，算法肯定有问题。百万字算法合适的话也，词频统计也就几十秒

[lyz1990]

半小时 3 万慢得不太正常

[pathetique]

@Kinnice @Weixiao0725 @adoni @aijam @coderluan @fyq @killva4624 @laqow @litguy @liyafe1997

非常感谢各位的帮助！就不一一回复，几位大佬我一起感谢先

先非常感谢对多线程和进程的区分，我已经开始用 multiprocessing module 了，在我的 M1max 上基本上十个小时可以做完，对于雍正可以接受了。但是随着搜索对象正则式的复杂化我怀疑还要更久更久，而且雍正才干几年，乾隆的起居录估计有十倍大，可能个人电脑还是不够。

然后几位大佬怀疑算法有没有问题，我也不知道哪里可以改善的。我把最简单的版本（算二字成词率）代码放在这里，辣大家的眼可能，但是真心请问如果有耐心看完的大佬：有没有改进的空间？如果是单线程的话，我可以从头到尾扫描，扫过的不再碰，复杂度是 n^2/2 ，但是因为多线程，把文本分成多块就没头没尾的，复杂度是 n^2 但是可以多核平均。


checkdict = [] #已经查过的单词词库
list = [] #文本本身
step = 100000 #每个机器人负责多大块

with open('yong3.txt', 'r') as file:
contents = file.read()
for chr in contents:
if chr != '\n' and chr != ' ' and chr != '。' and chr != '、' and chr != '○' and chr != '\u3000': #有些奇怪的字符去掉
list.append(chr)
length = len(list) #雍正大概 100 万字


import multiprocessing.pool #import the multiprocessing module

def worker(num):
"""Worker function for the process"""
print(f'Worker {num} starting')

count = 0
for i in range(0+step*num,min(step+step*num,length-2)): #每个机器人负责 #step 长度的文字
if (list[i:i+2] not in checkdict): #如果不在字典里
count = 0
for j in range(0,length-2): #全本比对，因为分块似乎只能这么做，不能从 i 开始？
if list[i:i+2] == list[j:j+2]:
count = count + 1
checkdict.append(list[i:i+2]) #check 完，添进已查字典
if count > 350: #出现次数高于 350 次的字显示出来
print (list[i:i+2])
print(i, count, f"{num}th worker at percentage = {format((i/step-num)*100, '.2f')}%" )
print(f'Worker {num} finished')


还是挺好玩的，发现很多有趣的事实，比如弄死了年羹尧雍正还常提，比如他喜欢的十三弟其实没那么常提。我其实拿清史资料是因为手头方便，下一步更想用 Colibri Core 处理黏着语（黏着语，比中文不一样的地方在于一个词根会有很多变化，比如 love, loves, loving ）。

想问调用 Calobri Core 这样的库啊包的各位大佬还有什么建议呢？还是照着 ChatGPT 的做？（我的 Python 真的很生，刚学，小时候会用 c ）

然后想问下，如果有人有时间帮小的看了这个案例，这种算法用显卡（ CUDA ）来帮助做会有帮助吗？或者我下一步弄大了，比如一千万字的更加模糊的搜索（比如犹太注经动辄几千万），有什么好的建议提速呢？可以借学校的服务器或者云吗？但是感觉云的 CPU 频率应该也一般。

非常感谢大家指路！小的刚刚用电脑编程对付这些，求拍求建议求更多工具。

[Kinnice]

@pathetique #22 首先是做中文分词 eg： https://github.com/fxsjy/jieba ，然后应该可以非常快，提供个 datasource ？。

[julyclyde]

分词这事有前后顺序依赖吧，能多线程？？

[Anarchy]

@julyclyde 按章节、段落、句子都可以啊，没人一句话写一本书的吧。

[zhzy]

看了一下，没做分词，直接每两个字作为一个词；
用 list 循环判断是否存在，而且文本里没有重复的文字么，用两个 for 循环感觉没什么必要，相当于每个词都翻一遍全文，O(n^2)，不慢才怪吧。其实直接一个循环然后字典里+1 就行了，虽然也怪怪的，但是至少比现在的快；
其实还是建议不要自己写，或者至少了解一下这类算法应该怎么写...完全用自己的思路闷头搞有时候真的不容易意识到代码里的问题...要不还是老老实实上 NLP 库

[ispinfx]

这么点体量多进程要跑 10 小时？

[zhzy]

@zhzy Python 不是 c ，很多东西不需要自己实现的，而且尽量不要用内置的类型作为变量名，快速糊了一个版本，应该会快一些。

[zhzy]

@zhzy #28 惊了，手快了，counter 那个循环里要判断一下有没有 key ，没有的话设置为 1 ，有的话加 1

[hellojukay]

1. list 如果长度非常的长，可能话很多时间在增长扩容上，建议使用 linklist
2. if xx in [] , 这种判断方式效率非常低，应该使用 hash 的方式

[pathetique]

@zhzy 谢过，我去试试用 panda ！不用中文的分词 library 是因为用中文只是试试，其实主业是古代西方语言，最后需要 n-gram skipgram flexgram 之类的还是要自己微调很多自己写然后穷尽搜索。请问 regex 或者 panda 有好的入门建议吗？还，就 GPT 就好？

[pathetique]

@hellojukay 感恩，我马上学一下 linklist 和 hash……

[zhzy]

@pathetique #31 如果只是处理一下停用词的话就一两行代码，不需要学，抄一下就行，百万字其实很少的，只要避免循环嵌套这种性能问题不大的

[zhzy]

@zhzy #29 还是把这个补上吧，用 get 的默认值，不用 if in keys 判断

[ispinfx]

不知道你是不是要 28 楼这种效果，100 万字跑了也就 0.几秒。

[ispinfx]

@zhzy #34 直接 collections.Counter()就能直接加了

[liyanm169gd]

猜一下 OP 的意思，如果是每两个字取下来然后统计频率可以这样做，假定你已经把文本读到了变量 tmpstr 里，total = [tmpstr[i]+tmpstr[i+1] for i in range(0,len(a)-1,2)],如果要统计可以直接 set ，然后拿 set 的值当 dict 的 key ，value 是 total.count("这里是 key")

[zhzy]

@ispinfx #36 是的，可以直接根据文本构造一个步长为 1 每个元素长度为 2 的 list ，然后 Counter 就行，不过那样逻辑就被隐藏掉了，OP 的代码主要问题是扫描 list 来计数，这里只是展示一下更合理的逻辑

[ispinfx]

@zhzy #38 我的意思是用 Counter 你就不用 get 一下再加了。

[pathetique]

@zhzy 跑通了，非常感谢！但是您的代码我还在慢慢理解中……因为不太理解 counter.get 或者 counter.items 这样的命令。是需要去 pathlib 的档案找意思吗？

[pathetique]

@zhzy
@ispinfx
非常感谢

[pathetique]

再问一个白痴问题，我和您方案的最大差别是不是创建的对象是不是 hashable 的差别？大概就是 30 楼大哥说 list 的效率低，hash 效率高的问题？
非常非常感谢两位的时间！知道大家都挺忙……

[pathetique]

奇怪为啥有些帖子回复发不出去说要注册 1001 天……1001nights 吗……

[zhzy]

@pathetique #40 pathlib 是一个文件系统路径库，封装了一些比较方便的功能，比如可以直接读取文本，用来代替 with...as f: f.read ；
counter 是一个字典，对于一个字典对象 d ，d.items 是取出每一项的键(key)和值(value)
for k, v in d.items()这个循环相当于逐一取出字典的每一项
counter.get(key, defaultValue)实际上可以理解为 if key in counter.keys: counter[key]; else: return defaultValue, 作用是尝试根据键读取字典的一个值,如果不存在这样的键, 返回 defaultValue
在 python 里其实这类方法很多, 可以节省很多代码量, 并且速度要比你自己写的逻辑快, 因为在底层它可能会做一些优化

[zhzy]

@ispinfx #39 啊 我明白您的意思了, 其实我的意思是 collections.Counter 是可以直接传一个可迭代对象或者 map 的, 比如传一个 str 或 list 进去就可以直接做计算

[aitianci]

@Kinnice #23 我玩了一下，用 jieba 出来的效果还不如 re 。我是从网上下载的一个 2MB 多的雍正实录，到 115 卷就没了。jieba 给出的全是单字词，像“朕，等，为，有”这种，re 能给“出谕内阁，应如所请，寻议，下部知之，入祠致祭如例，均应如所请，缘事革职，谕大学士等，给银建坊”这种还有点含义的词组。

[LaurelHarmon]

笑死，这点数据量，跟多线程、多进程没半毛钱关系，你还是先理清楚需求，然后改一下代码。正常情况秒秒钟出来，暴力循环不可取。

[pathetique]

@aitianci 嗯嗯，其实最大的价值、不是在于观察已有的成形的 pattern 或者单词，而恰恰是一些直观不熟悉但统计上又显著的词汇、语法结构或者说法。比如很多语言中动词-主语-宾语顺序多，但某些地方开始突然高密度调用其他语序；或者很多语言的果-因表达多，但如果突然用因-果连词；或者突然用佶屈聱牙的、甚至字典上没有的词，就很可能有很重要的、非母语者不容易看出的情绪或者信息。反常的信息最珍贵

[pathetique]

@zhzy 非常感谢，我去读下 pathlib 的文档~

[Deplay]

单从实现这个任务来讲，使用现成的 wheel 更好的选择，自己写还是很难的，例如#23 所提及的 jieba
也可以考虑上 nlp ，nltk 应该就可以（这一块没怎么接触过，不是很清楚）
至于你提到用 gpu 处理，理论上确实可以，但没必要，毕竟不是很复杂的任务，dl 没必要，学习成本过高

[julyclyde]

@Anarchy 分章节、分段落是人工还是自动呢？如果是自动，那也得按顺序过一遍程序啊，这环节也是不能并发的吧

[phoulx]

#48 感觉 up 做的东西很有意思呢，之前专业相关，Python 也懂一点。看上去主楼问题已经解决了？如果仍有疑问，欢迎联系 https://paste.rs/Zb0gs ，也许可以提供一点帮助！

[klion]

就算文字有 1000 万，也不过不到 100M 的内存，这怎么会 3 万字跑半个小时啊，是不是你自己用了太多 for 做遍历了，看起来更像是你的代码需要优化，你去用 profile 逐行分析代码性能瓶颈再讨论吧