keyword：multiprocessing decorator pickle

参考

https://segmentfault.com/q/1010000008907475?utm_source=tag-newest
http://ralph-wang.github.io/blog/2015/02/15/zhuang-shi-qi-yu-duo-jin-cheng-yi-ji-pickle/
https://stackoverflow.com/questions/9336646/python-decorator-with-multiprocessing-fails

multiprocessing是python常用的多进程模块，可以最大化的发挥机器性能。
经常会计算函数运行耗时，用到装饰器。
但在multiprocessing中运行带装饰器的函数时，就会报错，涉及到了Pickle的问题。

根据参考资料，多进程时，对象及数据是需要序列化反序列化传递的。而python常见的序列化方式就是Pickle。由参考链接可以知道，不是所有的对象（及函数）都可以Pickle序列化。Pickle序列化需要满足几个需求，详情文档。其中比较重要的一个就是，被序列化的对象要在模块顶层定义。
例如我们常见的计时装饰器方法如下：

def time_elapse(fn):
    def _wrapper(*args, **kwargs):
        start = time.perf_counter_ns()
        fn(*args, **kwargs)
        print(f"{fn.__name__} cost {(time.perf_counter_ns() - start)/1_000_000_000} s")
    return _wrapper

@time_elapse
def f():
	print("f")

f.__dict__
# 输出为{}

由于f的__dict__属性在被装饰器修饰后，并不在顶层，所以无法通过__dict__属性正确反序列化。
此时我们换另一种方式，使用类装饰器，写法如下：

class TimeElapse(object):
    def __init__(self, func):
        self.func = func

    def __call__(self, *args, **kwargs):
        start = time.perf_counter_ns()
        self.func(*args, **kwargs)
        print(
            f"{self.func.__name__} cost {(time.perf_counter_ns() - start)/1_000_000_000} s")

def f():
	print("f")
f1 = TimeElapse(f)
f1.__dict__
# 输出为{'func': <function __main__.f()>}

由此可知，经过类装饰器的修饰后，__dict__是可以准确的存储并还原信息的，所以Pickle序列化能成功。

结论

multiprocessing的进程操作设计Pickle序列化，而函数装饰器的结构特点导致Pickle序列化失败。通过改用类装饰器，可以解决Pickle序列化失败的问题。