我有一个大文本文件,我想在其中处理每一行(执行一些操作)并将它们存储在数据库中。由于单个简单程序花费的时间太长,我希望它可以通过多个进程或线程来完成。 每个线程/进程应从该单个文件中读取不同的数据(不同的行),并对其数据(行)执行一些操作并将它们放入数据库中,以便最终处理完所有数据并进行处理。数据库被转储了我需要的数据。
但我无法弄清楚如何处理这个问题。
答案 0 :(得分:85)
您正在寻找的是生产者/消费者模式
基本线程示例
以下是使用threading module(而不是多处理)
的基本示例import threading
import Queue
import sys
def do_work(in_queue, out_queue):
while True:
item = in_queue.get()
# process
result = item
out_queue.put(result)
in_queue.task_done()
if __name__ == "__main__":
work = Queue.Queue()
results = Queue.Queue()
total = 20
# start for workers
for i in xrange(4):
t = threading.Thread(target=do_work, args=(work, results))
t.daemon = True
t.start()
# produce data
for i in xrange(total):
work.put(i)
work.join()
# get the results
for i in xrange(total):
print results.get()
sys.exit()
您不会与线程共享文件对象。您可以通过向queue提供数据行来为他们创作工作。然后每个线程将获取一行,处理它,然后将其返回队列中。
multiprocessing module内置了一些更高级的工具来共享数据,例如列表和special kind of Queue。使用多处理与线程之间需要权衡,这取决于您的工作是cpu绑定还是IO绑定。
基本多处理.Pool示例
这是多处理池
的一个非常基本的例子from multiprocessing import Pool
def process_line(line):
return "FOO: %s" % line
if __name__ == "__main__":
pool = Pool(4)
with open('file.txt') as source_file:
# chunk the work into batches of 4 lines at a time
results = pool.map(process_line, source_file, 4)
print results
A Pool是一个管理自己进程的便利对象。由于打开的文件可以遍历其行,因此您可以将其传递给pool.map()
,pool.map()
将循环遍历它并将行传递给worker函数。 Map阻塞并在完成后返回整个结果。请注意,这是一个过于简化的示例,from multiprocessing import Process, Manager
import time
import itertools
def do_work(in_queue, out_list):
while True:
item = in_queue.get()
line_no, line = item
# exit signal
if line == None:
return
# fake work
time.sleep(.5)
result = (line_no, line)
out_list.append(result)
if __name__ == "__main__":
num_workers = 4
manager = Manager()
results = manager.list()
work = manager.Queue(num_workers)
# start for workers
pool = []
for i in xrange(num_workers):
p = Process(target=do_work, args=(work, results))
p.start()
pool.append(p)
# produce data
with open("source.txt") as f:
iters = itertools.chain(f, (None,)*num_workers)
for num_and_line in enumerate(iters):
work.put(num_and_line)
for p in pool:
p.join()
# get the results
# example: [(1, "foo"), (10, "bar"), (0, "start")]
print sorted(results)
将在完成工作之前将您的整个文件一次性读入内存。如果您希望有大文件,请记住这一点。有更先进的方法来设计生产者/消费者设置。
带限制和行重新排序的手动“池”
这是Pool.map的一个手动示例,但您可以设置一个队列大小,而不是一次性消耗整个迭代,而只是以它可以处理的速度一个接一个地提供它。我还添加了行号,以便您可以跟踪它们并在以后根据需要引用它们。
{{1}}
答案 1 :(得分:6)
这是我制作的一个非常愚蠢的例子:
import os.path
import multiprocessing
def newlinebefore(f,n):
f.seek(n)
c=f.read(1)
while c!='\n' and n > 0:
n-=1
f.seek(n)
c=f.read(1)
f.seek(n)
return n
filename='gpdata.dat' #your filename goes here.
fsize=os.path.getsize(filename) #size of file (in bytes)
#break the file into 20 chunks for processing.
nchunks=20
initial_chunks=range(1,fsize,fsize/nchunks)
#You could also do something like:
#initial_chunks=range(1,fsize,max_chunk_size_in_bytes) #this should work too.
with open(filename,'r') as f:
start_byte=sorted(set([newlinebefore(f,i) for i in initial_chunks]))
end_byte=[i-1 for i in start_byte] [1:] + [None]
def process_piece(filename,start,end):
with open(filename,'r') as f:
f.seek(start+1)
if(end is None):
text=f.read()
else:
nbytes=end-start+1
text=f.read(nbytes)
# process text here. createing some object to be returned
# You could wrap text into a StringIO object if you want to be able to
# read from it the way you would a file.
returnobj=text
return returnobj
def wrapper(args):
return process_piece(*args)
filename_repeated=[filename]*len(start_byte)
args=zip(filename_repeated,start_byte,end_byte)
pool=multiprocessing.Pool(4)
result=pool.map(wrapper,args)
#Now take your results and write them to the database.
print "".join(result) #I just print it to make sure I get my file back ...
这里棘手的部分是确保我们将文件拆分为换行符,以便您不会错过任何行(或只读取部分行)。然后,每个进程读取它的文件的一部分并返回一个对象,该对象可以由主线程放入数据库。当然,您甚至可能需要在块中执行此部分,这样您就不必一次将所有信息保存在内存中。 (这很容易实现 - 只需将“args”列表拆分为X块并调用pool.map(wrapper,chunk)
- 请参阅here)
答案 2 :(得分:-5)
将单个大文件分成多个较小的文件,并将它们分别在不同的线程中处理。