Question

我在Python 3中使用多处理池遇到了一个非常奇怪的问题...请参阅下面的代码：

import multiprocessing as MP                                       

class c(object):                                                   
    def __init__(self):                                            
        self.foo = ""                                              

    def a(self, b):                                                
        return b                                                   

    def main(self):                                                
        with open("/path/to/2million/lines/file", "r") as f:
            self.foo = f.readlines()                               

o = c()                                                            
o.main()                                                           
p = MP.Pool(5)                                                     
for r in p.imap(o.a, range(1,10)):                                 
    print(r)

如果按原样执行此代码，这是我非常缓慢的结果：

1
2
3
4
5
6
7
8
9

real    0m6.641s
user    0m7.256s
sys     0m1.824s

但是，如果我删除了行o.main()，那么我的执行时间会快得多：

1
2
3
4
5
6
7
8
9

real    0m0.155s
user    0m0.048s
sys     0m0.004s

我的环境有足够的力量，我已经确定我没有遇到任何内存限制。我还用较小的文件测试它，并且执行时间更容易接受。有什么见解吗？

编辑：我删除了磁盘IO部分，而只是创建了一个列表。我可以证明磁盘IO与问题无关......

for i in range(1,500000):
    self.foo.append("foobar%d\n"%i)

real    0m1.763s user    0m1.944s sys     0m0.452s

for i in range(1,1000000):
    self.foo.append("foobar%d\n"%i)
real    0m3.808s user    0m4.064s sys     0m1.016s

Answer 1

在幕后，multiprocessing.Pool使用Pipe将数据从父进程传输到池工作人员。

当整个o对象被序列化为Pickle对象并通过OS管道传输时，这会增加任务调度的隐藏成本。

这是针对您正在安排的每个任务完成的（在您的示例中为10次）。如果您的文件大小为10 Mb，则表示您正在移动100 MB的数据。

根据multiprocessing Programming Guidelines：

应尽可能避免在流程之间转移大量数据。

加速逻辑的一种简单方法是计算文件中的行数，将它们分成相等的块，只将行索引发送给工作进程并让它们open文件，{{ 1}}右边的行并处理数据。

Python 3多处理池对于大变量来说很慢

1 个答案: