Como posso usar a segmentação em Python?

Estou tentando entender o encadeamento em Python. Examinei a documentação e os exemplos, mas, francamente, muitos exemplos são excessivamente sofisticados e estou tendo problemas para entendê-los.

Como você mostra claramente as tarefas sendo divididas para multiencadeamento?

Desde que essa pergunta foi feita em 2010, houve uma simplificação real de como executar multithreading simples com Python com mapa e pool .

O código abaixo vem de uma publicação de artigo / blog que você definitivamente deveria conferir (sem afiliação) - Paralelismo em uma linha: um modelo melhor para as tarefas de segmentação do dia a dia . Resumirei abaixo - acaba sendo apenas algumas linhas de código:

from multiprocessing.dummy import Pool as ThreadPool
pool = ThreadPool(4)
results = pool.map(my_function, my_array)

Qual é a versão multithread de:

results = []
for item in my_array:
    results.append(my_function(item))

Descrição

O mapa é uma pequena função interessante e a chave para injetar facilmente paralelismo no seu código Python. Para quem não conhece, o mapa é algo retirado de linguagens funcionais como o Lisp. É uma função que mapeia outra função em uma sequência.

O Map lida com a iteração sobre a sequência, aplica a função e armazena todos os resultados em uma lista útil no final.

Implementação

Versões paralelas da função map são fornecidas por duas bibliotecas: multiprocessamento e também seu filho filho pouco conhecido, mas igualmente fantástico: multiprocessing.dummy.

multiprocessing.dummyé exatamente o mesmo que o módulo de multiprocessamento, mas usa threads ( uma distinção importante - use vários processos para tarefas intensivas em CPU; threads para (e durante) E / S ):

multiprocessing.dummy replica a API do multiprocessamento, mas não passa de um invólucro em torno do módulo de segmentação.

import urllib2
from multiprocessing.dummy import Pool as ThreadPool

urls = [
  'http://www.python.org',
  'http://www.python.org/about/',
  'http://www.onlamp.com/pub/a/python/2003/04/17/metaclasses.html',
  'http://www.python.org/doc/',
  'http://www.python.org/download/',
  'http://www.python.org/getit/',
  'http://www.python.org/community/',
  'https://wiki.python.org/moin/',
]

# Make the Pool of workers
pool = ThreadPool(4)

# Open the URLs in their own threads
# and return the results
results = pool.map(urllib2.urlopen, urls)

# Close the pool and wait for the work to finish
pool.close()
pool.join()

E o tempo resulta:

Single thread:   14.4 seconds
       4 Pool:   3.1 seconds
       8 Pool:   1.4 seconds
      13 Pool:   1.3 seconds

Passando vários argumentos (funciona assim apenas no Python 3.3 e posterior ):

Para passar várias matrizes:

results = pool.starmap(function, zip(list_a, list_b))

Ou para passar uma constante e uma matriz:

results = pool.starmap(function, zip(itertools.repeat(constant), list_a))

Se você estiver usando uma versão anterior do Python, poderá passar vários argumentos por meio desta solução alternativa ).

(Obrigado a user136036 pelo comentário útil.)

Aqui está um exemplo simples: você precisa tentar alguns URLs alternativos e retornar o conteúdo do primeiro para responder.

import Queue
import threading
import urllib2

# Called by each thread
def get_url(q, url):
    q.put(urllib2.urlopen(url).read())

theurls = ["http://google.com", "http://yahoo.com"]

q = Queue.Queue()

for u in theurls:
    t = threading.Thread(target=get_url, args = (q,u))
    t.daemon = True
    t.start()

s = q.get()
print s

É um caso em que o encadeamento é usado como uma otimização simples: cada sub-rosca está aguardando uma URL resolver e responder, a fim de colocar seu conteúdo na fila; cada thread é um daemon (não continuará o processo se o thread principal terminar - isso é mais comum do que não); o encadeamento principal inicia todos os sub-roscas, faz um getna fila para aguardar até que um deles faça um e put, em seguida, emite os resultados e termina (o que elimina quaisquer sub-roscas que ainda possam estar em execução, já que são encadeamentos daemon).

O uso adequado de threads no Python é invariavelmente conectado a operações de E / S (como o CPython não usa vários núcleos para executar tarefas ligadas à CPU de qualquer maneira, a única razão para o encadeamento não é bloquear o processo enquanto há uma espera por algumas E / S ) As filas são quase sempre a melhor maneira de aumentar o trabalho para threads e / ou coletar os resultados do trabalho, a propósito, e são intrinsecamente seguros para threads, portanto, evitam que você se preocupe com bloqueios, condições, eventos, semáforos e outros conceitos de coordenação / comunicação.

NOTA : Para paralelização real no Python, você deve usar o módulo de multiprocessamento para dividir vários processos que são executados em paralelo (devido ao bloqueio global do interpretador, os threads do Python fornecem intercalação, mas na verdade são executados em série, não em paralelo e são apenas útil ao intercalar operações de E / S).

No entanto, se você está apenas procurando intercalação (ou está executando operações de E / S que podem ser paralelizadas apesar do bloqueio global do intérprete), o módulo de encadeamento é o ponto de partida. Como um exemplo realmente simples, vamos considerar o problema de somar um grande intervalo somando subintervalos em paralelo:

import threading

class SummingThread(threading.Thread):
     def __init__(self,low,high):
         super(SummingThread, self).__init__()
         self.low=low
         self.high=high
         self.total=0

     def run(self):
         for i in range(self.low,self.high):
             self.total+=i


thread1 = SummingThread(0,500000)
thread2 = SummingThread(500000,1000000)
thread1.start() # This actually causes the thread to run
thread2.start()
thread1.join()  # This waits until the thread has completed
thread2.join()
# At this point, both threads have completed
result = thread1.total + thread2.total
print result

Observe que o acima é um exemplo muito estúpido, pois não faz absolutamente nenhuma E / S e será executado serialmente, embora intercalado (com a sobrecarga adicional da alternância de contexto) no CPython devido ao bloqueio global do interpretador.

Como outros mencionados, o CPython pode usar threads apenas para esperas de E / S devido ao GIL .

Se você deseja se beneficiar de vários núcleos para tarefas ligadas à CPU, use o multiprocessamento :

from multiprocessing import Process

def f(name):
    print 'hello', name

if __name__ == '__main__':
    p = Process(target=f, args=('bob',))
    p.start()
    p.join()

Apenas uma observação: uma fila não é necessária para segmentação.

Este é o exemplo mais simples que eu poderia imaginar que mostra 10 processos em execução simultaneamente.

import threading
from random import randint
from time import sleep


def print_number(number):

    # Sleeps a random 1 to 10 seconds
    rand_int_var = randint(1, 10)
    sleep(rand_int_var)
    print "Thread " + str(number) + " slept for " + str(rand_int_var) + " seconds"

thread_list = []

for i in range(1, 10):

    # Instantiates the thread
    # (i) does not make a sequence, so (i,)
    t = threading.Thread(target=print_number, args=(i,))
    # Sticks the thread in a list so that it remains accessible
    thread_list.append(t)

# Starts threads
for thread in thread_list:
    thread.start()

# This blocks the calling thread until the thread whose join() method is called is terminated.
# From http://docs.python.org/2/library/threading.html#thread-objects
for thread in thread_list:
    thread.join()

# Demonstrates that the main process waited for threads to complete
print "Done"

A resposta de Alex Martelli me ajudou. No entanto, aqui está uma versão modificada que achei mais útil (pelo menos para mim).

Atualizado: funciona em Python 2 e Python 3

try:
    # For Python 3
    import queue
    from urllib.request import urlopen
except:
    # For Python 2 
    import Queue as queue
    from urllib2 import urlopen

import threading

worker_data = ['http://google.com', 'http://yahoo.com', 'http://bing.com']

# Load up a queue with your data. This will handle locking
q = queue.Queue()
for url in worker_data:
    q.put(url)

# Define a worker function
def worker(url_queue):
    queue_full = True
    while queue_full:
        try:
            # Get your data off the queue, and do some work
            url = url_queue.get(False)
            data = urlopen(url).read()
            print(len(data))

        except queue.Empty:
            queue_full = False

# Create as many threads as you want
thread_count = 5
for i in range(thread_count):
    t = threading.Thread(target=worker, args = (q,))
    t.start()

Dada uma função, frosqueie-a assim:

import threading
threading.Thread(target=f).start()

Para passar argumentos para f

threading.Thread(target=f, args=(a,b,c)).start()

Achei isso muito útil: crie tantos threads quanto núcleos e permita que eles executem um número (grande) de tarefas (nesse caso, chamando um programa shell):

import Queue
import threading
import multiprocessing
import subprocess

q = Queue.Queue()
for i in range(30): # Put 30 tasks in the queue
    q.put(i)

def worker():
    while True:
        item = q.get()
        # Execute a task: call a shell program and wait until it completes
        subprocess.call("echo " + str(item), shell=True)
        q.task_done()

cpus = multiprocessing.cpu_count() # Detect number of cores
print("Creating %d threads" % cpus)
for i in range(cpus):
     t = threading.Thread(target=worker)
     t.daemon = True
     t.start()

q.join() # Block until all tasks are done

O Python 3 tem a facilidade de iniciar tarefas paralelas . Isso facilita nosso trabalho.

Possui pool de threads e pool de processos .

A seguir, é apresentado um insight:

Exemplo de ThreadPoolExecutor ( origem )

import concurrent.futures
import urllib.request

URLS = ['http://www.foxnews.com/',
        'http://www.cnn.com/',
        'http://europe.wsj.com/',
        'http://www.bbc.co.uk/',
        'http://some-made-up-domain.com/']

# Retrieve a single page and report the URL and contents
def load_url(url, timeout):
    with urllib.request.urlopen(url, timeout=timeout) as conn:
        return conn.read()

# We can use a with statement to ensure threads are cleaned up promptly
with concurrent.futures.ThreadPoolExecutor(max_workers=5) as executor:
    # Start the load operations and mark each future with its URL
    future_to_url = {executor.submit(load_url, url, 60): url for url in URLS}
    for future in concurrent.futures.as_completed(future_to_url):
        url = future_to_url[future]
        try:
            data = future.result()
        except Exception as exc:
            print('%r generated an exception: %s' % (url, exc))
        else:
            print('%r page is %d bytes' % (url, len(data)))

ProcessPoolExecutor ( origem )

import concurrent.futures
import math

PRIMES = [
    112272535095293,
    112582705942171,
    112272535095293,
    115280095190773,
    115797848077099,
    1099726899285419]

def is_prime(n):
    if n % 2 == 0:
        return False

    sqrt_n = int(math.floor(math.sqrt(n)))
    for i in range(3, sqrt_n + 1, 2):
        if n % i == 0:
            return False
    return True

def main():
    with concurrent.futures.ProcessPoolExecutor() as executor:
        for number, prime in zip(PRIMES, executor.map(is_prime, PRIMES)):
            print('%d is prime: %s' % (number, prime))

if __name__ == '__main__':
    main()

Usando o novo módulo concurrent.futures

def sqr(val):
    import time
    time.sleep(0.1)
    return val * val

def process_result(result):
    print(result)

def process_these_asap(tasks):
    import concurrent.futures

    with concurrent.futures.ProcessPoolExecutor() as executor:
        futures = []
        for task in tasks:
            futures.append(executor.submit(sqr, task))

        for future in concurrent.futures.as_completed(futures):
            process_result(future.result())
        # Or instead of all this just do:
        # results = executor.map(sqr, tasks)
        # list(map(process_result, results))

def main():
    tasks = list(range(10))
    print('Processing {} tasks'.format(len(tasks)))
    process_these_asap(tasks)
    print('Done')
    return 0

if __name__ == '__main__':
    import sys
    sys.exit(main())

A abordagem do executor pode parecer familiar para todos aqueles que já sujaram as mãos com Java antes.

Também em uma nota lateral: para manter o universo saudável, não se esqueça de fechar seus pools / executores se você não usar o withcontexto (o que é tão incrível que faz isso por você)

Para mim, o exemplo perfeito de encadeamento é o monitoramento de eventos assíncronos. Veja este código.

# thread_test.py
import threading
import time

class Monitor(threading.Thread):
    def __init__(self, mon):
        threading.Thread.__init__(self)
        self.mon = mon

    def run(self):
        while True:
            if self.mon[0] == 2:
                print "Mon = 2"
                self.mon[0] = 3;

Você pode jogar com esse código abrindo uma sessão IPython e fazendo algo como:

>>> from thread_test import Monitor
>>> a = [0]
>>> mon = Monitor(a)
>>> mon.start()
>>> a[0] = 2
Mon = 2
>>>a[0] = 2
Mon = 2

Espere alguns minutos

>>> a[0] = 2
Mon = 2

A maioria da documentação e dos tutoriais usa o Python Threadinge o Queuemódulo, e eles podem parecer impressionantes para iniciantes.

Talvez considere o concurrent.futures.ThreadPoolExecutormódulo do Python 3.

Combinado com a compreensão de withcláusulas e listas, pode ser um verdadeiro encanto.

from concurrent.futures import ThreadPoolExecutor, as_completed

def get_url(url):
    # Your actual program here. Using threading.Lock() if necessary
    return ""

# List of URLs to fetch
urls = ["url1", "url2"]

with ThreadPoolExecutor(max_workers = 5) as executor:

    # Create threads
    futures = {executor.submit(get_url, url) for url in urls}

    # as_completed() gives you the threads once finished
    for f in as_completed(futures):
        # Get the results
        rs = f.result()

Eu vi muitos exemplos aqui em que nenhum trabalho real estava sendo realizado, e eles eram principalmente ligados à CPU. Aqui está um exemplo de uma tarefa vinculada à CPU que calcula todos os números primos entre 10 e 10,05 milhões. Eu usei todos os quatro métodos aqui:

import math
import timeit
import threading
import multiprocessing
from concurrent.futures import ThreadPoolExecutor, ProcessPoolExecutor


def time_stuff(fn):
    """
    Measure time of execution of a function
    """
    def wrapper(*args, **kwargs):
        t0 = timeit.default_timer()
        fn(*args, **kwargs)
        t1 = timeit.default_timer()
        print("{} seconds".format(t1 - t0))
    return wrapper

def find_primes_in(nmin, nmax):
    """
    Compute a list of prime numbers between the given minimum and maximum arguments
    """
    primes = []

    # Loop from minimum to maximum
    for current in range(nmin, nmax + 1):

        # Take the square root of the current number
        sqrt_n = int(math.sqrt(current))
        found = False

        # Check if the any number from 2 to the square root + 1 divides the current numnber under consideration
        for number in range(2, sqrt_n + 1):

            # If divisible we have found a factor, hence this is not a prime number, lets move to the next one
            if current % number == 0:
                found = True
                break

        # If not divisible, add this number to the list of primes that we have found so far
        if not found:
            primes.append(current)

    # I am merely printing the length of the array containing all the primes, but feel free to do what you want
    print(len(primes))

@time_stuff
def sequential_prime_finder(nmin, nmax):
    """
    Use the main process and main thread to compute everything in this case
    """
    find_primes_in(nmin, nmax)

@time_stuff
def threading_prime_finder(nmin, nmax):
    """
    If the minimum is 1000 and the maximum is 2000 and we have four workers,
    1000 - 1250 to worker 1
    1250 - 1500 to worker 2
    1500 - 1750 to worker 3
    1750 - 2000 to worker 4
    so let’s split the minimum and maximum values according to the number of workers
    """
    nrange = nmax - nmin
    threads = []
    for i in range(8):
        start = int(nmin + i * nrange/8)
        end = int(nmin + (i + 1) * nrange/8)

        # Start the thread with the minimum and maximum split up to compute
        # Parallel computation will not work here due to the GIL since this is a CPU-bound task
        t = threading.Thread(target = find_primes_in, args = (start, end))
        threads.append(t)
        t.start()

    # Don’t forget to wait for the threads to finish
    for t in threads:
        t.join()

@time_stuff
def processing_prime_finder(nmin, nmax):
    """
    Split the minimum, maximum interval similar to the threading method above, but use processes this time
    """
    nrange = nmax - nmin
    processes = []
    for i in range(8):
        start = int(nmin + i * nrange/8)
        end = int(nmin + (i + 1) * nrange/8)
        p = multiprocessing.Process(target = find_primes_in, args = (start, end))
        processes.append(p)
        p.start()

    for p in processes:
        p.join()

@time_stuff
def thread_executor_prime_finder(nmin, nmax):
    """
    Split the min max interval similar to the threading method, but use a thread pool executor this time.
    This method is slightly faster than using pure threading as the pools manage threads more efficiently.
    This method is still slow due to the GIL limitations since we are doing a CPU-bound task.
    """
    nrange = nmax - nmin
    with ThreadPoolExecutor(max_workers = 8) as e:
        for i in range(8):
            start = int(nmin + i * nrange/8)
            end = int(nmin + (i + 1) * nrange/8)
            e.submit(find_primes_in, start, end)

@time_stuff
def process_executor_prime_finder(nmin, nmax):
    """
    Split the min max interval similar to the threading method, but use the process pool executor.
    This is the fastest method recorded so far as it manages process efficiently + overcomes GIL limitations.
    RECOMMENDED METHOD FOR CPU-BOUND TASKS
    """
    nrange = nmax - nmin
    with ProcessPoolExecutor(max_workers = 8) as e:
        for i in range(8):
            start = int(nmin + i * nrange/8)
            end = int(nmin + (i + 1) * nrange/8)
            e.submit(find_primes_in, start, end)

def main():
    nmin = int(1e7)
    nmax = int(1.05e7)
    print("Sequential Prime Finder Starting")
    sequential_prime_finder(nmin, nmax)
    print("Threading Prime Finder Starting")
    threading_prime_finder(nmin, nmax)
    print("Processing Prime Finder Starting")
    processing_prime_finder(nmin, nmax)
    print("Thread Executor Prime Finder Starting")
    thread_executor_prime_finder(nmin, nmax)
    print("Process Executor Finder Starting")
    process_executor_prime_finder(nmin, nmax)

main()

Aqui estão os resultados na minha máquina com quatro núcleos Mac OS X

Sequential Prime Finder Starting
9.708213827005238 seconds
Threading Prime Finder Starting
9.81836523200036 seconds
Processing Prime Finder Starting
3.2467174359990167 seconds
Thread Executor Prime Finder Starting
10.228896902000997 seconds
Process Executor Finder Starting
2.656402041000547 seconds

Aqui está um exemplo muito simples de importação de CSV usando threading. (A inclusão da biblioteca pode diferir para propósitos diferentes.)

Funções auxiliares:

from threading import Thread
from project import app
import csv


def import_handler(csv_file_name):
    thr = Thread(target=dump_async_csv_data, args=[csv_file_name])
    thr.start()

def dump_async_csv_data(csv_file_name):
    with app.app_context():
        with open(csv_file_name) as File:
            reader = csv.DictReader(File)
            for row in reader:
                # DB operation/query

Função do driver:

import_handler(csv_file_name)

Gostaria de contribuir com um exemplo simples e as explicações que achei úteis quando tive que resolver esse problema pessoalmente.

Nesta resposta, você encontrará algumas informações sobre o GIL (bloqueio global de intérpretes) do Python e um exemplo simples do dia-a-dia escrito usando multiprocessing.dummy, além de alguns benchmarks simples.

Bloqueio global de intérpretes (GIL)

Python não permite multi-threading no sentido mais verdadeiro da palavra. Ele tem um pacote multiencadeado, mas se você deseja multiencadear para acelerar seu código, geralmente não é uma boa ideia usá-lo.

O Python possui uma construção chamada bloqueio global de intérpretes (GIL). O GIL garante que apenas um dos seus 'threads' possa ser executado a qualquer momento. Um segmento adquire o GIL, faz um pouco de trabalho e passa o GIL para o próximo segmento.

Isso acontece muito rapidamente e, para o olho humano, pode parecer que seus threads estão executando paralelamente, mas na verdade eles estão apenas se revezando usando o mesmo núcleo da CPU.

Toda essa passagem do GIL adiciona sobrecarga à execução. Isso significa que, se você deseja que seu código seja executado mais rapidamente, o uso do pacote threading geralmente não é uma boa ideia.

Existem razões para usar o pacote de encadeamento do Python. Se você deseja executar algumas coisas simultaneamente, e a eficiência não é uma preocupação, é totalmente adequado e conveniente. Ou se você estiver executando um código que precisa esperar por algo (como algumas E / S), isso pode fazer muito sentido. Mas a biblioteca de threads não permitirá que você use núcleos extras da CPU.

A multithreading pode ser terceirizada para o sistema operacional (executando o multiprocessamento) e algum aplicativo externo que chama seu código Python (por exemplo, Spark ou Hadoop ) ou algum código que seu código Python chama (por exemplo: você pode faça com que seu código Python chame uma função C que faça o material multiencadeado caro).

Por que isso importa

Porque muitas pessoas passam muito tempo tentando encontrar gargalos em seu código multiencadeado Python sofisticado antes de aprenderem o que é o GIL.

Depois que essas informações estiverem claras, eis o meu código:

#!/bin/python
from multiprocessing.dummy import Pool
from subprocess import PIPE,Popen
import time
import os

# In the variable pool_size we define the "parallelness".
# For CPU-bound tasks, it doesn't make sense to create more Pool processes
# than you have cores to run them on.
#
# On the other hand, if you are using I/O-bound tasks, it may make sense
# to create a quite a few more Pool processes than cores, since the processes
# will probably spend most their time blocked (waiting for I/O to complete).
pool_size = 8

def do_ping(ip):
    if os.name == 'nt':
        print ("Using Windows Ping to " + ip)
        proc = Popen(['ping', ip], stdout=PIPE)
        return proc.communicate()[0]
    else:
        print ("Using Linux / Unix Ping to " + ip)
        proc = Popen(['ping', ip, '-c', '4'], stdout=PIPE)
        return proc.communicate()[0]


os.system('cls' if os.name=='nt' else 'clear')
print ("Running using threads\n")
start_time = time.time()
pool = Pool(pool_size)
website_names = ["www.google.com","www.facebook.com","www.pinterest.com","www.microsoft.com"]
result = {}
for website_name in website_names:
    result[website_name] = pool.apply_async(do_ping, args=(website_name,))
pool.close()
pool.join()
print ("\n--- Execution took {} seconds ---".format((time.time() - start_time)))

# Now we do the same without threading, just to compare time
print ("\nRunning NOT using threads\n")
start_time = time.time()
for website_name in website_names:
    do_ping(website_name)
print ("\n--- Execution took {} seconds ---".format((time.time() - start_time)))

# Here's one way to print the final output from the threads
output = {}
for key, value in result.items():
    output[key] = value.get()
print ("\nOutput aggregated in a Dictionary:")
print (output)
print ("\n")

print ("\nPretty printed output: ")
for key, value in output.items():
    print (key + "\n")
    print (value)

Aqui está o multi-threading com um exemplo simples que será útil. Você pode executá-lo e entender facilmente como o multi threading está funcionando no Python. Usei uma trava para impedir o acesso a outros threads até que os threads anteriores terminassem seu trabalho. Pelo uso dessa linha de código,

tLock = threading.BoundedSemaphore (valor = 4)

você pode permitir vários processos por vez e manter o restante dos encadeamentos que serão executados mais tarde ou depois dos processos anteriores.

import threading
import time

#tLock = threading.Lock()
tLock = threading.BoundedSemaphore(value=4)
def timer(name, delay, repeat):
    print  "\r\nTimer: ", name, " Started"
    tLock.acquire()
    print "\r\n", name, " has the acquired the lock"
    while repeat > 0:
        time.sleep(delay)
        print "\r\n", name, ": ", str(time.ctime(time.time()))
        repeat -= 1

    print "\r\n", name, " is releaseing the lock"
    tLock.release()
    print "\r\nTimer: ", name, " Completed"

def Main():
    t1 = threading.Thread(target=timer, args=("Timer1", 2, 5))
    t2 = threading.Thread(target=timer, args=("Timer2", 3, 5))
    t3 = threading.Thread(target=timer, args=("Timer3", 4, 5))
    t4 = threading.Thread(target=timer, args=("Timer4", 5, 5))
    t5 = threading.Thread(target=timer, args=("Timer5", 0.1, 5))

    t1.start()
    t2.start()
    t3.start()
    t4.start()
    t5.start()

    print "\r\nMain Complete"

if __name__ == "__main__":
    Main()

Com o empréstimo desta publicação , sabemos sobre a escolha entre multithreading, multiprocessing e async / asyncioe seu uso.

O Python 3 possui uma nova biblioteca interna para simultaneidade e paralelismo: concurrent.futures

Então, demonstrarei, através de um experimento, a execução de quatro tarefas (ou seja, .sleep()método) da seguinte Threading-Poolmaneira:

from concurrent.futures import ThreadPoolExecutor, as_completed
from time import sleep, time

def concurrent(max_worker=1):
    futures = []

    tick = time()
    with ThreadPoolExecutor(max_workers=max_worker) as executor:
        futures.append(executor.submit(sleep, 2))  # Two seconds sleep
        futures.append(executor.submit(sleep, 1))
        futures.append(executor.submit(sleep, 7))
        futures.append(executor.submit(sleep, 3))

        for future in as_completed(futures):
            if future.result() is not None:
                print(future.result())

    print('Total elapsed time by {} workers:'.format(max_worker), time()-tick)

concurrent(5)
concurrent(4)
concurrent(3)
concurrent(2)
concurrent(1)

Resultado:

Total elapsed time by 5 workers: 7.007831811904907
Total elapsed time by 4 workers: 7.007944107055664
Total elapsed time by 3 workers: 7.003149509429932
Total elapsed time by 2 workers: 8.004627466201782
Total elapsed time by 1 workers: 13.013478994369507

[ NOTA ]:

• Como você pode ver nos resultados acima, o melhor caso foi de três trabalhadores para essas quatro tarefas.
• Se você tiver uma tarefa de processo em vez de limite de E / S ou bloqueio ( multiprocessingvs threading), poderá alterar ThreadPoolExecutorpara ProcessPoolExecutor.

Nenhuma das soluções anteriores realmente usou vários núcleos no meu servidor GNU / Linux (onde eu não tenho direitos de administrador). Eles apenas rodavam em um único núcleo.

Eu usei a os.forkinterface de nível inferior para gerar vários processos. Este é o código que funcionou para mim:

from os import fork

values = ['different', 'values', 'for', 'threads']

for i in range(len(values)):
    p = fork()
    if p == 0:
        my_function(values[i])
        break

import threading
import requests

def send():

  r = requests.get('https://www.stackoverlow.com')

thread = []
t = threading.Thread(target=send())
thread.append(t)
t.start()