Python 3 Multiprocessing Pool在使用大变量时速度较慢

Question

在Python 3中使用多处理池时，我遇到了一个非常特殊的问题。请参见下面的代码：

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，这将是极其缓慢的结果：

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o.main() ，那么执行时间会快得多：

1
2
3
4
5
6
7
8
9

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

我的环境具有强大的功能，并且确保未遇到任何内存限制。 我还用一个较小的文件进行了测试，执行时间更可接受。 有见识吗？

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与该问题无关...

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

在后台， multiprocessing.Pool使用Pipe将数据从父进程传输到Pool工作器。

由于整个o对象被序列化为Pickle对象并通过OS管道进行传输，因此这增加了任务调度的隐性成本。

这是针对您计划的每个任务完成的（在您的示例中为10次）。 如果您的文件大小为10 Mb，则您正在转移100Mb的数据。

根据《 多处理程序设计指南》 ：

应当尽可能避免在进程之间转移大量数据。

加快逻辑速度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，仅将行索引发送给工作进程，然后让它们open文件， seek正确的行并处理数据。