Question

我的工作是处理大量的xmls;为了获得更快的结果，我想使用ipython的并行处理;下面是我的示例代码。因为我只是用celementTree模块找到xml / xsd的元素数量。

>>> from IPython.parallel import Client
>>> import os
>>> c = Client()
>>> c.ids
>>> lview = c.load_balanced_view()
>>> lview.block =True
>>> def return_len(xml_filepath):
        import xml.etree.cElementTree as cElementTree
        tree = cElementTree.parse(xml_filepath)
        my_count=0
        file_result=[]
        cdict={}
        for elem in tree.getiterator():
            cdict[my_count]={}
            if elem.tag:
                cdict[my_count]['tag']=elem.tag
            if elem.text:
                cdict[my_count]['text']=(elem.text).strip()
            if elem.attrib.items():
                cdict[my_count]['xmlattb']={}
                for key, value in elem.attrib.items():
                    cdict[my_count]['xmlattb'][key]=value
            if list(elem):
                cdict[my_count]['xmlinfo']=len(list(elem))
            if elem.tail:
                cdict[my_count]['tail']=elem.tail.strip()
            my_count+=1
        output=xml_filepath.split('\\')[-1],len(cdict)
        return output
        ## return cdict
>>> def get_dir_list(target_dir, *extensions):
        """
        This function will filter out the files from given dir based on their extensions
        """
        my_paths=[]
        for top, dirs, files in os.walk(target_dir):
            for nm in files:
                fileStats = os.stat(os.path.join(top, nm))
                if nm.split('.')[-1] in extensions:
                    my_paths.append(top+'\\'+nm)
        return my_paths
>>> r=lview.map_async(return_len,get_dir_list('C:\\test_folder','xsd','xml'))

获得我必须做的最终结果 >>> r.get()通过这个我将得到结果，当过程将完成时我的问题是我能够在他们完成时获得中间结果;
例如，如果我将我的工作应用到包含1000个xmls / xsds文件的文件夹，那么我可以在处理完特定文件后立即获得结果。像1st file is done--> show its result... 2nd file is done---> show its result........ 1000th file is done--> show its result一样不像上面的当前工作; wait till final file get finished然后它将显示所有这1000个文件的完整结果。
还处理我在import函数内定义return_len的导入/命名空间错误;有没有更好的方法来解决这个问题？

Answer 1

不确定。 AsyncMapResult（map_async返回的类型）可以立即迭代，并且迭代产生的项目与r.get()最终生成的列表相同。所以在你这样做之后：

amr = lview.map_async(return_len, get_dir_list('C:\\test_folder','xsd','xml'))

你可以这样做：

for r in amr:
    print r

或使用枚举

保留索引

for i,r in enumerate(amr):
    print i, r

或使用内置reduce内容进行缩减：

summary_result = reduce(myfunc, amr)

所有这些都将在结果到达时迭代。如果您不关心排序并且每项任务的时间变化很大，您可以通过map_async(...,ordered=False)。如果您这样做，当您遍历AMR时，您将以先到先得的方式获得单独的结果，而不是保留提交顺序。

还有更多信息in the ipython docs。

还处理导入/命名空间错误我在return_len函数中定义了import;有没有更好的方法来解决这个问题？

是和否。有几种方法可以设置引擎名称空间，例如使用模块，@parallel.require("module")装饰器，或者只是使用%px import xml.etree.cElementTree as cElementTree显式执行导入，每种方法在某些情况下都有好处。但我经常发现将函数中的导入作为最简单的方法，而且意外最少。

如何在ipython并行处理中获得中间结果？

1 个答案: