dispy，是用asyncoro实现的分布式并行计算框架。

框架也是非常精简，只有4个组件，在其源码文件夹下可以找到：

dispy.py (client) provides two ways of creating “clusters”: JobCluster when only one instance of dispy may run and SharedJobCluster when multiple instances may run (in separate processes). If JobCluster is used, the scheduler contained within dispy.py will distribute jobs on the server nodes; if SharedJobCluster is used, a separate scheduler (dispyscheduler) must be running.

dispynode.py executes jobs on behalf of dispy. dispynode must be running on each of the (server) nodes that form the cluster.

dispyscheduler.py is needed only when SharedJobCluster is used; this provides a scheduler that can be shared by multiple dispy users.

dispynetrelay.py is needed when nodes are located across different networks; this relays information about nodes on a network to the scheduler. If all the nodes are on same network, there is no need for dispynetrelay - the scheduler and nodes automatically discover each other.

一般情况下，使用dispy和dispynode就已经足够解决问题了。

简单使用：

服务器端：

在服务器端启动dispy，监听并接收所有发来的计算任务，完成计算后将结果返回给客户端。

打开python_home/Scripts文件夹，在安装dispy后会有上面说到的4个dispy组件，以py文件形式存在。当然你也可以在dispy的源码文件夹里面找到对于的dispynode.py文件，然后执行

python dispynode.py -c 2 -i 192.168.138.128 -p 51348 -s secret --clean

python dispynode.py -c 2 -i 192.168.8.143 -p 51348 -s secret --clean

这里192.168.138.128和192.168.8.143是执行计算节点的ip（对服务器来说相当于localhost），这里我启用了两个节点，每个节点使用2个cpu资源，其中有一个节点是在虚拟机，一个是本地机器。

-s secret是通信密码，客户端和服务器连接需要密码，密码随意。

--clean表示每次启动服务都删除上次的启动信息，如果不删除，可能会出现pid占用的错误。

客户端：

在客户端需要注意的是，发送到计算节点函数所引用的模块，不能在py文件的顶层导入，而需要在函数内导入。

对于需要导入自定义模块，比较麻烦一点，需要先实例化函数，才能在计算节点的函数中使用。

# 这些在顶层导入的模块只能是这个py文件用
import time
import socket
import numpy
import datetime

# 这个是自定义函数，要在本模块中先实例化才能在计算节点函数中调用使用，
# 而本模块的其他地方可以直接调用使用
from my_package.my_model import get_time 

# 实例化自定义的函数，注意后面是没有括号的，否则就是直接调用得到返回值了
now = get_time.now

# 计算函数，dispy将这个函数和参数一并发送到服务器节点
# 如果函数有多个参数，需要包装程tuple格式
def compute(args):
 n,array=args # 如果函数有多个参数，需要包装程tuple格式
 # 看到没，计算需要的模块是在函数内导入的
 import time, socket
 time.sleep(3)
 host = socket.gethostname()
 # 这个py文件中自定义函数，可以直接引用
 total= my_sum(array)
 # 这个now是在其他模块中自定义的函数，需要在顶层先实例化才能引用
 now_time=now()
 return (host, n, total,now_time)

def sum(array):
 # 自定义函数，需要的模块同样需要在函数内导入
 import numpy as np
 return np.sum(array)

def loadData():
 # 自定义函数，生成测试数据
 import numpy as np
 data = np.random.rand(20,20)
 data = [line for line in data]
 return data



if __name__ == '__main__':
 import dispy, random
 # 定义两个计算节点
 nodes = ['192.168.8.143', '192.168.138.128']
 # 启动计算集群，和服务器通信，通信密钥是'secret'
 # depends 为依赖函数
 cluster = dispy.JobCluster(compute,nodes=nodes,
      secret='secret',depends=[sum，now])
 jobs = []

 datas = loadData()
 for n in range(len(datas)):
  # 提交任务
  job = cluster.submit((n,datas[n]))
  job.id = n
  jobs.append(job)
 # print(datetime.datetime.now())
 # cluster.wait() # 等待所有任务完成后才接着往下执行
 # print(datetime.datetime.now())
 for job in jobs:
  host, n, total,t = job()
  print('%s executed job %s at %s with %s total=%.2f t=%s' 
    % (host, job.id, job.start_time, n,total,t))
  # other fields of 'job' that may be useful:
  # print job.stdout, job.stderr, job.exception, 
  # job.ip_addr, job.start_time, job.end_time
 # 显示集群计算状态
 cluster.stats()