Question

以下代码用于并行csv处理：

#!/usr/bin/env python

import csv
from time import sleep
from multiprocessing import Pool
from multiprocessing import cpu_count
from multiprocessing import current_process
from pprint import pprint as pp

def init_worker(x):
  sleep(.5)
  print "(%s,%s)" % (x[0],x[1])
  x.append(int(x[0])**2)
  return x

def parallel_csv_processing(inputFile, outputFile, header=["Default", "header", "please", "change"], separator=",", skipRows = 0, cpuCount = 1):
  # OPEN FH FOR READING INPUT FILE
  inputFH   = open(inputFile,  "rt")
  csvReader = csv.reader(inputFH, delimiter=separator)

  # SKIP HEADERS
  for skip in xrange(skipRows):
    csvReader.next()

  # PARALLELIZE COMPUTING INTENSIVE OPERATIONS - CALL FUNCTION HERE
  try:
    p = Pool(processes = cpuCount)
    results = p.map(init_worker, csvReader, chunksize = 10)
    p.close()
    p.join()
  except KeyboardInterrupt:
    p.close()
    p.join()
    p.terminate()

  # CLOSE FH FOR READING INPUT
  inputFH.close()

  # OPEN FH FOR WRITING OUTPUT FILE
  outputFH  = open(outputFile, "wt")
  csvWriter = csv.writer(outputFH, lineterminator='\n')

  # WRITE HEADER TO OUTPUT FILE
  csvWriter.writerow(header)

  # WRITE RESULTS TO OUTPUT FILE
  [csvWriter.writerow(row) for row in results]

  # CLOSE FH FOR WRITING OUTPUT
  outputFH.close()

  print pp(results)
  # print len(results)

def main():
  inputFile  = "input.csv"
  outputFile = "output.csv"
  parallel_csv_processing(inputFile, outputFile, cpuCount = cpu_count())

if __name__ == '__main__':
  main()

我想以某种方式衡量脚本的进度（只是纯文本而不是任何奇特的ASCII艺术）。我想到的一个选项是将init_worker成功处理的行与input.csv中的所有行进行比较，并打印实际状态，例如：每一秒，你能指点我正确的解决方案吗？我发现了几篇有类似问题的文章，但我无法根据自己的需要调整它，因为它们都没有使用Pool类和map方法。我还想问一下p.close(), p.join(), p.terminate()方法，我已经看到它们主要是Process而不是Pool类，它们是否需要Pool类，我是否正确使用它们？使用p.terminate()旨在用ctrl + c来杀死进程，但这是different故事，但还没有结束。谢谢。

PS：我的input.csv看起来像这样，如果重要的话：

0,0
1,3
2,6
3,9
...
...
48,144
49,147

PPS：正如我所说的那样，我是multiprocessing中的新手，而我所放在一起的代码才有效。我可以看到的一个缺点是整个csv存储在内存中，所以如果你们有更好的想法，请不要犹豫，分享它。

修改

回复@ J.F.Sebastian

根据您的建议，这是我的实际代码：

#!/usr/bin/env python

import csv
from time import sleep
from multiprocessing import Pool
from multiprocessing import cpu_count
from multiprocessing import current_process
from pprint import pprint as pp
from tqdm import tqdm

def do_job(x):
  sleep(.5)
  # print "(%s,%s)" % (x[0],x[1])
  x.append(int(x[0])**2)
  return x

def parallel_csv_processing(inputFile, outputFile, header=["Default", "header", "please", "change"], separator=",", skipRows = 0, cpuCount = 1):

  # OPEN FH FOR READING INPUT FILE
  inputFH   = open(inputFile,  "rb")
  csvReader = csv.reader(inputFH, delimiter=separator)

  # SKIP HEADERS
  for skip in xrange(skipRows):
    csvReader.next()

  # OPEN FH FOR WRITING OUTPUT FILE
  outputFH  = open(outputFile, "wt")
  csvWriter = csv.writer(outputFH, lineterminator='\n')

  # WRITE HEADER TO OUTPUT FILE
  csvWriter.writerow(header)

  # PARALLELIZE COMPUTING INTENSIVE OPERATIONS - CALL FUNCTION HERE
  try:
    p = Pool(processes = cpuCount)
    # results = p.map(do_job, csvReader, chunksize = 10)
    for result in tqdm(p.imap_unordered(do_job, csvReader, chunksize=10)):
      csvWriter.writerow(result)
    p.close()
    p.join()
  except KeyboardInterrupt:
    p.close()
    p.join()

  # CLOSE FH FOR READING INPUT
  inputFH.close()

  # CLOSE FH FOR WRITING OUTPUT
  outputFH.close()

  print pp(result)
  # print len(result)

def main():
  inputFile  = "input.csv"
  outputFile = "output.csv"
  parallel_csv_processing(inputFile, outputFile, cpuCount = cpu_count())

if __name__ == '__main__':
  main()

以下是tqdm的输出：

1 [elapsed: 00:05,  0.20 iters/sec]

这个输出是什么意思？在您引用的页面上tqdm以循环方式使用：

>>> import time
>>> from tqdm import tqdm
>>> for i in tqdm(range(100)):
...     time.sleep(1)
... 
|###-------| 35/100  35% [elapsed: 00:35 left: 01:05,  1.00 iters/sec]

此输出有意义，但我的输出是什么意思？此外它似乎没有修复ctrl + c问题：点击ctrl + c脚本后抛出一些Traceback，如果我再次点击ctrl + c然后我得到新的Traceback等等。杀死它的唯一方法是将它发送到后台（ctr + z）然后杀死它（杀死％1）

Answer 1

要显示进度，请将pool.map替换为pool.imap_unordered：

from tqdm import tqdm # $ pip install tqdm

for result in tqdm(pool.imap_unordered(init_worker, csvReader, chunksize=10)):
    csvWriter.writerow(result)

tqdm部分是可选的，请参阅Text Progress Bar in the Console

无意中，它修复了你的＆＃34;整个csv存储在内存中＆＃34; 和＆＃34;未引发KeyboardInterrupt＆＃34;问题。

这是一个完整的代码示例：

#!/usr/bin/env python
import itertools
import logging
import multiprocessing
import time

def compute(i):
    time.sleep(.5)
    return i**2

if __name__ == "__main__":
    logging.basicConfig(format="%(asctime)-15s %(levelname)s %(message)s",
                        datefmt="%F %T", level=logging.DEBUG)
    pool = multiprocessing.Pool()
    try:
        for square in pool.imap_unordered(compute, itertools.count(), chunksize=10):
            logging.debug(square) # report progress by printing the result
    except KeyboardInterrupt:
        logging.warning("got Ctrl+C")
    finally:
        pool.terminate()
        pool.join()

您应该每隔.5 * chunksize秒批量查看输出。如果按Ctrl+C;您应该在子进程和主进程中看到KeyboardInterrupt。在Python 3中，主进程立即退出。在Python 2中，KeyboardInterrupt被延迟，直到应该打印下一批（Python中的错误）。

使用python的多处理池和映射函数进行进度测量

1 个答案: