Python分布式计算库
各维度得分依据公开资料与字段推算,加权后即综合评分,仅供参考。
dispy 是一个面向 Python 的分布式与并行计算框架，用于在单机多核、局域网集群、网格或云服务器上执行计算任务。它的核心场景是数据并行/SIMD：把同一个 Python 函数或独立程序应用到不同数据集上，任务之间基本不通信。若需要任务间通信，文档建议使用 pycos 的 Distributed Communicating Processes。
它由 client、dispynode、dispyscheduler、dispynetrelay、dispyadmin 等组件组成。开发者可用 JobCluster 独占节点调度，也可用 SharedJobCluster 配合 dispyscheduler 让多个客户端共享集群。dispy 能自动分发 Python 函数、类、模块、文件等依赖，并回传结果、stdout、stderr、异常栈；也支持中间结果、文件从节点传回客户端、任务状态通知、集群状态通知和故障恢复。节点失败时，若计算声明为 reentrant，可自动把任务重交给其他节点。
dispy 支持 Python 2.7+、Python 3.1+，并在 Linux、OS X、Windows 上测试，文中也提到支持 PyPy。它依赖 pycos，部分资源监控和网络能力可依赖 psutil、netifaces、pywin32 等。部署方式偏自托管：每个计算节点运行 dispynode，需要共享调度时运行 dispyscheduler，跨网络可用 dispynetrelay。它也可用于 Amazon EC2、Google Cloud、Microsoft Azure，并支持 Docker 容器隔离计算环境。
正文未提及商业定价，项目可通过 PyPI 安装，源码托管在 GitHub，也可从 SourceForge 下载，属于开源工具取向。文档质量较高，覆盖安装、依赖、API 参数、NAT/防火墙、SSH 转发、SSL、云计算、监控管理和大量示例。不过文档信息密集，Python 版本和源码安装说明较复杂，新用户需要一定时间理解组件关系。
优点是 Python 原生、部署灵活、能利用现有机器快速搭建私有计算集群，并具备结果回收、状态通知、Web 管理和故障恢复等工程能力。缺点是更适合独立批处理任务，不适合频繁通信或复杂 DAG 调度；多组件架构也带来运维成本。它适合科研计算、参数扫描、批量数据处理、私有集群算力利用等场景。中国访问情况正文无信息，PyPI/GitHub/SourceForge 访问稳定性可能受网络环境影响；若团队追求更现代生态，可评估 Ray、Dask、Spark 或 Celery。
本测评基于公开资料整理,不构成购买建议,请以 dispy.org 官网实际信息为准。
开源并行计算库，开发者可直接用。
评分明细(分布与用户短评)接入中。当前展示 TG4G 综合评分,数据源自公开测评与用户反馈。