第七章 函数式编程
7.1
1.Python中的函数式
函数式编程强调了函数的纯粹性(purity)
一个纯函数是没有副作用的(Side Effect),即这个函数的运行不会影响其他函数
为了达到纯函数标准，函数式编程要求其变量都是不可变更的
py并非完全的函数式编程语言，在py中，存在着可变更的对象，也能写出非纯函数
但如果我们借鉴函数式编程，尽量在编程中避免副作用，就会有许多好处
由于纯函数相互独立，我们不必担心函数调用对其他函数的影响
所以使用起来更加简单，另外，纯函数也方便进行并行化运算
在并行化编程时，我们经常担心不同进程之间相互干扰的问题
当多个进程同时修改一个变量时，进程的先后顺序会影响最终结果
如下面两个函数：
from threading import Thread
x = 5
def double():
global x
x = x*2
def plus_ten():
global x
x = x + 10
thread1 = Thread(target=double)
thread2 = Thread(target=plus_ten)
thread1.start()
thread2.start()
thread1.join()
thread2.join()
print(x)
20
上面两个函数中使用了关键字global
global说明了x是一个全局变量
函数对全局变量的修改能被其他函数看到，因此也有副作用
如果两个进程并行地执行两个函数，函数的执行顺序不确定
则结果可能是double()中的x = x*2先执行，最终结果为20
也有可能是plus_ten()中的x = x + 10先执行，最终结果为30
这被称为竞跑条件(Race Condition)，是并行编程中需要极力避免的
from threading import Thread
x = 5
def double():
global x
x = x*2
def plus_ten():
global x
x = x + 10
thread1 = Thread(target=double)
thread2 = Thread(target=plus_ten)
thread2.start()
thread1.start()
thread1.join()
thread2.join()
print(x)
30
函数式编程消灭了副作用，即无形中消除了竞跑条件的可能性
因此，函数式编程天生适用于并行化运算
2.并行运算
上一节中，我们已经涉及到并行运算，所谓并行运算，是指多条指令同时执行
一般来说，一台单处理器计算机同一时间只能执行一条指令
这种每次执行一条指令的工作方式称为串行运算
大规模并行运算通常是在有多个主机组成的集群(Cluster)上进行的
主机之间可以借助高速的网络设备通信，一个集群造价不菲
然而，我们可以在单机上通过多进程或多线程的方式
模拟多主机的并行处理，即使一台单机中，也往往存在着多个运行中的程序
即所谓的进程，例如：我们在打开浏览器上网的同时
还可以流畅的听音乐，这给我们一个感觉，计算机在并行的进行上网和放音乐两个任务
事实上，单机的处理器按照‘分时复用’的方式，把计算能力分配给多个进程
处理器在进程间频繁切换，因此，即使处理器同一时间只能处理一个指令
但通过在进程间的切换，也能造成多个进程齐头并进的效果
从这个角度来说，集群和单机都实现了多个进程的并行运算
只不过，集群上的多进程分布在不同的主机，而单机的多进程存在于同一主机
并借着‘分时复用’来实现并行
下面是多进程编程的例子：
import multiprocessing
def proc1():
return 999999**9999
def proc2():
return 888888**8888
p1 = multiprocessing.Process(target=proc1)
p2 = multiprocessing.Process(target=proc2)
p1.start()
p2.start()
p1.join()
p2.join()
上面程序用了两个进程，进程的工作包含在函数中，分别是函数proc1()和函数proc2()
方法start()用于启动进程，而join()方法用于在主程序中等待相应进程完成
最后，我们要区分一下多进程和多线程，一个程序运行后
就成为一个进程，进程有自己的内存空间，用来存储自身的运行状态，数据和相关代码
一个进程一般不会直接读取其他进程的内存空间
进程运行过程中，可以完成程序描述的工作
但一个进程内部，又可以有多个称为‘线程’的任务
处理器可以在多个线程之间切换，从而形成并行的多线程处理
线程看起来和进程类似，但线程之间可以共享同一个进程的内存空间
网友评论