foreach%dopar%+ RPostgreSQL

时间:2010-10-11 00:19:31

标签: postgresql r foreach parallel-processing

我正在使用RPostgreSQL连接到本地数据库。该设置在我的Linux机器上运行正常。 R 2.11.1,Postgres 8.4。

我正在使用多核(doMC)并行后端使用'foreach'来包装一些重复查询(编号为几千)并将结果附加到数据结构中。奇怪的是,如果我使用%do%但是当我切换到%dopar%时会失败,只有一次迭代时会出现异常(如下所示)

我想知道它是否与单个连接对象有关,所以我创建了10个连接对象,并且取决于我是什么,为该查询提供了某个con对象,具体取决于i modulo 10。下面只有2个连接对象)。被评估的表达式eval(expr.01),包含/是取决于'i'的查询。

我无法理解这些特定的错误消息。我想知道是否有办法使这项工作。

感谢。
Vishal Belsare

R片段如下:

> id.qed2.foreach <- foreach(i = 1588:1588, .inorder=FALSE) %dopar% { 
+ if (i %% 2 == 0) {con <- con0}; 
+ if (i %% 2 == 1) {con <- con1}; 
+ fetch(dbSendQuery(con,eval(expr.01)),n=-1)$idreuters};
> id.qed2.foreach
[[1]]
  [1]   411   414  2140  2406  4490  4507  4519  4570  4571  4572  4703  4731
[109] 48765 84312 91797

> id.qed2.foreach <- foreach(i = 1588:1589, .inorder=FALSE) %dopar% { 
+ if (i %% 2 == 0) {con <- con0}; 
+ if (i %% 2 == 1) {con <- con1}; 
+ fetch(dbSendQuery(con,eval(expr.01)),n=-1)$idreuters};
Error in stop(paste("expired", class(con))) : 
  no function to return from, jumping to top level
Error in stop(paste("expired", class(con))) : 
  no function to return from, jumping to top level
Error in { : 
  task 1 failed - "error in evaluating the argument 'res' in selecting a method for function 'fetch'"
> 
编辑:我改变了一些事情,(但仍未成功),但有些事情被曝光。在循环中创建的连接对象并未通过dbDisconnect“断开连接”,导致挂起连接,如Postgres的/ var / log所示。我这样做时会出现一些新的错误消息:

> system.time(
+ id.qed2.foreach <- foreach(i = 1588:1590, .inorder=FALSE, 
.packages=c("DBI", "RPostgreSQL")) %dopar% {drv0 <- dbDriver("PostgreSQL"); 
con0 <- dbConnect(drv0, dbname='nseindia');
list(idreuters=fetch(dbSendQuery(con0,eval(expr.01)),n=-1)$idreuters);
dbDisconnect(con0)})
Error in postgresqlExecStatement(conn, statement, ...) : 
  no function to return from, jumping to top level
Error in postgresqlExecStatement(conn, statement, ...) : 
  no function to return from, jumping to top level
Error in postgresqlExecStatement(conn, statement, ...) : 
  no function to return from, jumping to top level
Error in { : 
  task 1 failed - "error in evaluating the argument 'res' in selecting a method for function 'fetch'"

2 个答案:

答案 0 :(得分:16)

每个工作者创建一次数据库连接效率更高,而不是每个任务创建一次。不幸的是,mclapply在执行任务之前没有提供初始化工作程序的机制,因此使用doMC后端执行此操作并不容易,但如果使用doParallel后端,则可以使用clusterEvalQ初始化工作程序。以下是如何重构代码的示例:

library(doParallel)
cl <- makePSOCKcluster(detectCores())
registerDoParallel(cl)

clusterEvalQ(cl, {
  library(DBI)
  library(RPostgreSQL)
  drv <- dbDriver("PostgreSQL")
  con <- dbConnect(drv, dbname="nsdq")
  NULL
})

id.qed.foreach <- foreach(i=1588:3638, .inorder=FALSE,
                          .noexport="con",
                          .packages=c("DBI", "RPostgreSQL")) %dopar% {
  lst <- eval(expr.01)  #contains the SQL query which depends on 'i'
  qry <- dbSendQuery(con, lst)
  tmp <- fetch(qry, n=-1)
  dt <- dates.qed2[i]
  list(date=dt, idreuters=tmp$idreuters)
}

clusterEvalQ(cl, {
  dbDisconnect(con)
})

由于doParallel和clusterEvalQ使用相同的集群对象cl,因此foreach循环在执行任务时可以访问数据库连接对象con

答案 1 :(得分:2)

以下工作方式可以比顺序表单加速约1.5倍。下一步,我想知道是否可以将连接对象附加到registerDoMC生成的每个worker。如果是这样,则不需要创建/销毁连接对象,这可以防止PostgreSQL服务器被连接压倒。

pgparquery <- function(i) {
drv <- dbDriver("PostgreSQL"); 
con <- dbConnect(drv, dbname='nsdq'); 
lst <- eval(expr.01); #contains the SQL query which depends on 'i'
qry <- dbSendQuery(con,lst);
tmp <- fetch(qry,n=-1);
dt <- dates.qed2[i]
dbDisconnect(con);
result <- list(date=dt, idreuters=tmp$idreuters)
return(result)}

id.qed.foreach <- foreach(i = 1588:3638, .inorder=FALSE, .packages=c("DBI", "RPostgreSQL")) %dopar% {pgparquery(i)}

-
Vishal Belsare