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。如此高逼格的神器，怎能不学呢~~