python multiprocessing starmap vs apply_async，哪个更快？

Question

假设我有这两种方法来完成相同的任务:

from multiprocessing import Pool
pool = Pool(4)

def func(*args):
    # do some slow operations
    return something

dates = ['2011-01-01', ' 2011-01-02', ... , '2017-01-01']
other_args = [1, 2, 3, 'c', 'test', 'pdf')]
# approach 1:
res = [pool.apply_async(func, [day] + other_args) for day in dates]
list_of_results = [x.get() for x in res]

# approach 2: create an iterable of iterables
args = [[day] + other_args for day in dates]
list_of_results = pool.starmap(func, args)

我意识到 apply_async 会立即返回，但是，如果 func 尚未完成运行，x.get() 可能仍会阻塞主线程……这两种方法之间是否必然存在性能差异？

Answer 1

在幕后，starmap 所做的几乎与您在第一种方法中所做的一样。它只是一个方便的包装器。提供 map 函数系列是为了符合许多开发人员习惯的函数式编程范例。

它们提供了一些很好的功能，例如将可迭代对象分成 block 以最小化 IPC。这种优化可能会带来性能优势，但这取决于每个元素的计算成本。

我建议坚持使用更具可读性的内容，并且只有在性能是真正问题时，才对结果进行基准测试和评估。