存储来自多个进程的数据的简单方法

Question

我有一个Python脚本可以执行以下操作：

def MyScript(input_filename1, input_filename2):
   return val;

即。对于每对输入，我计算一些浮点值。请注意，val是一个简单的double / float。

由于这个计算非常密集，我将在不同的进程中运行它们（可能在同一台计算机上，可能在多台计算机上）。

之前我做的是将此值输出到文本文件：input1_input2.txt。然后我将有1000000个文件，我需要将其缩减为一个文件。这个过程不是很快，因为操作系统不喜欢文件太多的文件夹。

如何有效地将所有这些数据整合到一台计算机中？也许在计算机上运行MongoDB并且所有进程都会发送数据？

我想要一些简单的事情。我知道我可以在MPI中做到这一点，但我认为这对于这么简单的任务来说太过分了。

Answer 1

您可以使用python并行处理支持。

• http://wiki.python.org/moin/ParallelProcessing

特别是，我会提到NetWorkSpaces。

• http://www.drdobbs.com/web-development/200001971

Answer 2

您可以生成包含生成的子文件夹的文件夹结构，这些子文件夹包含生成的子文件夹。

例如，您有一个包含256个子文件夹的主文件夹，每个子文件夹包含256个子文件夹。 3级深度就足够了。您可以使用guids子字符串生成唯一的文件夹名称。

因此guid AB67E4534678E4E53436E成为包含子文件夹67的文件夹AB，该文件夹包含文件夹E4534678E4E53436E。

使用2个2个字符的子字符串可以生成256 * 256个文件夹。足以存储100万个文件。

Answer 3

如果输入对它们有自然顺序，并且每个工作人员都可以找到它正在处理的“哪个”输入，那么每台机器就可以获得一个文件。由于Python浮点数长度为8个字节，因此每个工作者都会将结果写入文件中自己的8字节插槽。

import struct

RESULT_FORMAT = 'd' # Double-precision float.
RESULT_SIZE = struct.calcsize(RESULT_FORMAT)
RESULT_FILE = '/tmp/results'

def worker(position, input_filename1, input_filename2):
    val = MyScript(input_filename1, input_filename2)
    with open(RESULT_FILE, 'rb+') as f:
        f.seek(RESULT_SIZE * position)
        f.write(struct.pack(RESULT_FORMAT, val))

与编写一堆小文件相比，这种方法的I / O密集程度也要低得多，因为许多工作人员将在OS缓存中写入相同的页面。

（请注意，在Windows上，您可能需要一些额外的设置以允许在进程之间共享文件。）

Answer 4

您可以运行一个收集输出的程序，例如XMLRPC。