我对python很新。 我正在使用多处理模块读取stdin上的文本行,以某种方式转换它们并将它们写入数据库。这是我的代码片段:
batch = []
pool = multiprocessing.Pool(20)
i = 0
for i, content in enumerate(sys.stdin):
batch.append(content)
if len(batch) >= 10000:
pool.apply_async(insert, args=(batch,i+1))
batch = []
pool.apply_async(insert, args=(batch,i))
pool.close()
pool.join()
现在一切正常,直到我处理我输入python程序的巨大输入文件(数亿行)。在某些时候,当我的数据库变慢时,我看到内存已满。
经过一段时间的播放后,事实证明pool.apply_async以及pool.map_async永远不会阻塞,因此要处理的调用队列越来越大。
解决问题的正确方法是什么?我希望我能设置一个参数,一旦达到某个队列长度,就会阻塞pool.apply_async调用。 Java中的AFAIR可以为ThreadPoolExecutor提供一个具有固定长度的BlockingQueue用于此目的。
谢谢!
答案 0 :(得分:11)
以防有人在这里结束,这就是我解决问题的方法:我停止使用multiprocessing.Pool。我现在就是这样做的:
#set amount of concurrent processes that insert db data
processes = multiprocessing.cpu_count() * 2
#setup batch queue
queue = multiprocessing.Queue(processes * 2)
#start processes
for _ in range(processes): multiprocessing.Process(target=insert, args=(queue,)).start()
#fill queue with batches
batch=[]
for i, content in enumerate(sys.stdin):
batch.append(content)
if len(batch) >= 10000:
queue.put((batch,i+1))
batch = []
if batch:
queue.put((batch,i+1))
#stop processes using poison-pill
for _ in range(processes): queue.put((None,None))
print "all done."
在insert方法中,每个批处理的处理都包含在一个循环中,该循环从队列中拉出,直到它收到毒丸:
while True:
batch, end = queue.get()
if not batch and not end: return #poison pill! complete!
[process the batch]
print 'worker done.'
答案 1 :(得分:9)
apply_async
和map_async
函数的目的不是阻止主进程。为此,Pool
维护了一个内部Queue
,但遗憾的是无法更改该大小。
解决问题的方法是使用您希望队列大小初始化的Semaphore
。您在进入池之前以及在工人完成任务之后获取并释放信号量。
以下是使用Python 2.6或更高版本的示例。
from threading import Semaphore
from multiprocessing import Pool
def task_wrapper(f):
"""Python2 does not allow a callback for method raising exceptions,
this wrapper ensures the code run into the worker will be exception free.
"""
try:
return f()
except:
return None
class TaskManager(object):
def __init__(self, processes, queue_size):
self.pool = Pool(processes=processes)
self.workers = Semaphore(processes + queue_size)
def new_task(self, f):
"""Start a new task, blocks if queue is full."""
self.workers.acquire()
self.pool.apply_async(task_wrapper, args=(f, ), callback=self.task_done))
def task_done(self):
"""Called once task is done, releases the queue is blocked."""
self.workers.release()
使用concurrent.futures
池实现的另一个example。
答案 2 :(得分:2)
apply_async
会返回AsyncResult
个对象,您可以wait
开启该对象:
if len(batch) >= 10000:
r = pool.apply_async(insert, args=(batch, i+1))
r.wait()
batch = []
虽然如果您想以更干净的方式执行此操作,但应使用maxsize
为10000的multiprocessing.Queue
,并从Worker
派生multiprocessing.Process
类从这样的队列中提取。
答案 3 :(得分:1)
不好看,但是您可以访问内部队列大小,然后等待它小于最大所需大小,然后再添加新项目:
max_pool_queue_size = 20
for i in range(10000):
pool.apply_async(some_func, args=(...))
while pool._taskqueue.qsize() > max_pool_queue_size:
time.sleep(1)