R语言多任务处理与并行运算包——foreach
相信大部分R语言初学者，在刚开始入门之处，都曾被告诫在处理多重复任务时，尽量不要使用显式的for循环，而要尽可能的使用R语言内置的apply组函数，这样可以极大地提高代码运行效率。
但是实际上除了内的apply组函数之外，你还有另外一个更好地选择，就是利用一些支持并行运算的扩展包，来发挥本地计算机的多和计算优势。
本篇要讲解的包是foreach包，这是一个支持在R语言中调用多进程功能的第三方包，之前在对比显式循环、矢量化函数以及多进程在数据抓取的效率一文中，曾经演示过具体的代码。
library("foreach")
library("doParallel")
foreach包执行任务的核心理念与传统的apply组函数基本一致，都是与split – apply – combine一致的流程，不过foreach比传统apply组函数的优越之处在于，它可以通过调用操作系统的多核运行性能来执行并行任务，这样特别是对于I/O密集型任务而言，可以大大节省代码执行效率。
foreach(..., #待输入的参数
.combine, #
结果返回后执行的数据合并操作(c代表合并为向量，list代表合并为列表，rbind代表合并为数据框) .packages=NULL, #在多进程共享的程序包（仅对于非系统安装包必备） .export=NULL, #未在当前环境中定义的数据对象 .verbose=FALSE #是否打印运行信息 )
以上函数中，第1个参数是必备参数，即必须有输入参数，结果默认返回list。
foreach函数用于定义执行多进程任务的函数，任务的执行则需要使用%do%/%dopar%函数，前者执行的是普通的单进程任务（与apply组函数一样），后者则可以执行多进程任务。
接下来我们演示一遍整个多进程任务的过程：
首先定义一个执行函数：
library("httr") library("jsonlite")
library("magrittr")
GETPDF <- function(i){ url<-"https://index.toutiao.com/api/report" headers<-c( "Host"="index.toutiao.com", "User-Agent"="Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.79 Safari/537.36" ) payload <-list("page"=1,"size"=12) payload[["page"]]=i web <- GET(url,add_headers(.headers = headers),query = payload) content <- web %>% content(as="text",encoding="UTF-8") %>% fromJSON() %>% `[[`(9) }
2、执行多进程函数
方案1——使用%do%函数执行普通的向量运算
library("doParallel") #加载doParallel包用于之后注册进程
library("foreach") #导入foreach包
system.time({ cl<- makeCluster(4) registerDoParallel(cl) #进行进程注册 mydata1 <- foreach(
i=1:16, #输入等待请求的参数 .combine=rbind, #返回结果的整合 .packages = c("httr", "jsonlite","magrittr")
#多个进程共享的系统环境 ) %dopar% GETPDF(i) stopCluster(cl)})用户 系统 流逝 0.08 0.01 2.18
方案2——使用%dopar%函数执行多进程的运算
system.time({ cl<-makeCluster(4) registerDoParallel(cl) mydata2 <- foreach(i=1:16,.combine=rbind) %do% GETPDF(i) })用户 系统 流逝 0.39 0.03 4.53
因为%do%操作是单进程的，因而即便启动多进程环境也是徒劳。
DT::datatable(mydata1)
可以看到，%dopar%操作比%do%操作仅仅节省了0.04秒左右，但是鉴于抓包的请求频率比较高，这样多进程所节省的时间效率感知不够明显。
system.time(mydata3 <- plyr::ldply(1:16,GETPDF))用户 系统 流逝 0.32 0.00 4.54
整体时间效率比较：
ldply > %do% > %dopar%4.54 > 4.53 > 2.18
从时间效率上来看，的确节省了将近50%的时间。
媒体合作请联系：