Python Eficaz

disso, mas muitos outros algoritmos matemáticos trabalham de forma
semelhante.
Caso a computação que se queira fazer não possua essas características, o peso
adicional na CPU provocado por multiprocessing pode impedir que o programa
seja acelerado pelo paralelismo. Quando nos deparamos com situações assim, o
mesmo multiprocessing oferece recursos mais avançados de memória
compartilhada, travas interprocessos, filas e substitutos (proxies). Todos esses
recursos, todavia, são por demais complexos. Já é bastante difícil entender o
funcionamento dessas ferramentas no espaço de memória de um único processo
compartilhado por outras threads do Python. Aumentar ainda mais essa
complexidade para outros processos e incluir sockets na receita torna tudo isso
difícil demais de entender.
Minha sugestão é: evite usar diretamente os recursos de multiprocessing e, em
vez disso, empregue os recursos mais “mastigados” pelo módulo
concurrent.futures, bem mais simples. Comece usando a classe
ThreadPoolExecutor para executar funções isoladas e de alta alavancagem em
threads. Mais tarde, substitua a classe por ProcessPoolExecutor para ter um
incremento na velocidade. Por fim, depois de ter tentado todas as opções mais
simples, aventure-se em usar diretamente o módulo multiprocessing.
Lembre-se
• Transferir os gargalos de CPU para as extensões em C pode ser uma maneira
bastante eficiente de aumentar o desempenho enquanto maximiza seu
investimento no código em Python. Entretanto, o custo disso é muito alto e
pode introduzir bugs.
• O módulo multiprocessing oferece ferramentas poderosas que podem
paralelizar certos tipos de computação em Python com um mínimo de
esforço.
• O poder de multiprocessing é mais bem utilizado por meio do módulo nativo
concurrent.futures e sua classe ProcessPoolExecutor que, por sua natureza, é
bastante simples.
• As partes avançadas do módulo multiprocessing devem ser evitadas porque
são complexas demais.
www.full-ebook.com