Question

我使用正则表达式检查配对的fastq文件的序列记录，并将匹配的序列写入相同的文件。我使用多处理来加速它，但是当我用20个进程运行它时，20个cpu内核全都使用2％，总时间与在单个内核中运行相同。这是否意味着正则表达式搜索比将输出写入文件更快，因此进程正在等待？您能建议我如何改善多重处理吗？附带的代码。


def mycallback(x):
    SeqIO.write(x[0],outfile1,result.form)
    SeqIO.write(x[1],outfile2,result.form)
    SeqIO.write(x[2],outfile3,result.form)
    SeqIO.write(x[3],outfile4,result.form)

def check(x):
    if regex.search(r'^.{0,20}(?:'+fp+'){e<='+str(result.mm)+'}',str(x[0].seq),flags=regex.I) and regex.search(r'^.{0,20}(?:'+rp+'){e<='+str(result.mm)+'}',str(x[1].seq),flags=regex.I):
    return((x[0],x[1],'',''))
    elif regex.search(r'^.{0,20}(?:'+fp+'){e<='+str(result.mm)+'}',str(x[1].seq),flags=regex.I) and regex.search(r'^.{0,20}(?:'+rp+'){e<='+str(result.mm)+'}',str(x[0].seq),flags=regex.I):
    return((x[1],x[0],'',''))
    else:
    return(('','',x[0],x[1]))

p=Pool(int(result.n))
for i in izip(SeqIO.parse(result.fseq,result.form),SeqIO.parse(result.rseq,result.form)):
    p.apply_async(check,args=(i,),callback=mycallback)

p.close()
p.join()

Answer 1

Python的pool.apply_async实现在主进程内部的线程内调用回调函数，并且受GIL的限制。因此，您正在等待所有文件顺序写入。

回调应立即完成，因为否则处理结果的线程将被阻塞。

我想您的正则表达式的执行速度比文件写入要快，因此，将回调发送到自己的线程中将使您受益最大（因此可以一次将多个文件写入队列）。在等待IO（文件写入）时，Python线程应释放GIL，并且比进程轻（启动速度更快）。

Python多处理未使用完整的CPU核心

1 个答案: