multiprocessing.Pool.imap_unordered与固定队列大小或缓冲区？

Question

我正在从大型CSV文件中读取数据，对其进行处理并将其加载到SQLite数据库中。 分析表明80％的时间花在I / O上，20％是处理输入以准备数据库插入。 我使用multiprocessing.Pool加快了处理步骤，以便I / O代码永远不会等待下一条记录。 但是，这导致了严重的内存问题，因为I / O步骤无法跟上工作人员的步伐。

以下玩具示例说明了我的问题：

#!/usr/bin/env python  # 3.4.3
import time
from multiprocessing import Pool

def records(num=100):
    """Simulate generator getting data from large CSV files."""
    for i in range(num):
        print('Reading record {0}'.format(i))
        time.sleep(0.05)  # getting raw data is fast
        yield i

def process(rec):
    """Simulate processing of raw text into dicts."""
    print('Processing {0}'.format(rec))
    time.sleep(0.1)  # processing takes a little time
    return rec

def writer(records):
    """Simulate saving data to SQLite database."""
    for r in records:
        time.sleep(0.3)  # writing takes the longest
        print('Wrote {0}'.format(r))

if __name__ == "__main__":
    data = records(100)
    with Pool(2) as pool:
        writer(pool.imap_unordered(process, data, chunksize=5))

此代码导致记录积压，最终消耗所有内存，因为我无法足够快地将数据持久保存到磁盘。 运行代码，您会注意到，当writer处于第15条记录时， Pool.imap_unordered将消耗所有数据。 现在假设处理步骤正在生成数亿行的字典，你可以看到我内存不足的原因。 也许阿姆达尔的法律在行动。

有什么办法解决这个问题？ 我想我需要一些缓冲的Pool.imap_unordered ，说：“一旦有X需要插入的记录，停止并等待，直到有使更多的前小于x。” 在最后一个记录被保存时，我应该能够从准备下一个记录中获得一些速度提升。

我尝试使用NuMap从papy模块（我修改与Python 3工作）做的正是这一点，但它是不是更快。 事实上，它比顺序运行程序更糟糕; NuMap使用两个线程和多个进程。

SQLite的批量导入功能可能不适合我的任务，因为数据需要大量处理和规范化。

我有大约85G的压缩文本要处理。 我对其他数据库技术持开放态度，但选择SQLite是为了便于使用，因为这是一次写入多次读取的工作，在加载完所有内容后，只有3或4个人将使用生成的数据库。

Answer 1

当我正在处理同样的问题时，我认为防止池过载的有效方法是使用带有生成器的信号量：

from multiprocessing import Pool, Semaphore

def produce(semaphore, from_file):
    with open(from_file) as reader:
        for line in reader:
            # Reduce Semaphore by 1 or wait if 0
            semaphore.acquire()
            # Now deliver an item to the caller (pool)
            yield line

def process(item):
    result = (first_function(item),
              second_function(item),
              third_function(item))
    return result

def consume(semaphore, result):
    database_con.cur.execute("INSERT INTO ResultTable VALUES (?,?,?)", result)
    # Result is consumed, semaphore may now be increased by 1
    semaphore.release()

def main()
    global database_con
    semaphore_1 = Semaphore(1024)
    with Pool(2) as pool:
        for result in pool.imap_unordered(process, produce(semaphore_1, "workfile.txt"), chunksize=128):
            consume(semaphore_1, result)

也可以看看：

K Hong - 多线程 - 信号量对象和线程池

Chris Terman讲座 - 麻省理工学院6.004 L21：信号量

Answer 2

由于处理速度很快，但写入速度很慢，听起来你的问题是I / O限制。 因此，使用多处理可能没什么好处。

但是，可以剥离data块，处理data块，并等到数据写入之后再剥离另一个数据块：

import itertools as IT
if __name__ == "__main__":
    data = records(100)
    with Pool(2) as pool:
        chunksize = ...
        for chunk in iter(lambda: list(IT.islice(data, chunksize)), []):
            writer(pool.imap_unordered(process, chunk, chunksize=5))

Answer 3

听起来你真正需要的是用有界（和阻塞）队列替换Pool下面的无界队列。 这样一来，如果任何一方领先于其他方面，它就会阻止它们准备就绪。

通过查看源代码 ，子类或monkeypatch Pool可以很容易地做到这一点，例如：

class Pool(multiprocessing.pool.Pool):
    def _setup_queues(self):
        self._inqueue = self._ctx.Queue(5)
        self._outqueue = self._ctx.Queue(5)
        self._quick_put = self._inqueue._writer.send
        self._quick_get = self._outqueue._reader.recv
        self._taskqueue = queue.Queue(10)

但这显然不可移植（即使是CPython 3.3，更不用说不同的Python 3实现）。

我认为你可以通过提供自定义的context在3.4+中进行移植，但是我无法做到这一点，所以...

Answer 4

一个简单的解决方法可能是使用psutil来检测每个进程中的内存使用情况，并说出是否占用了超过90％的内存，而不是只是休眠一段时间。

while psutil.virtual_memory().percent > 75:
            time.sleep(1)
            print ("process paused for 1 seconds!")