如何在python中安全地将单个hdf5文件中的数据并行写入多个文件？

Question

我正在尝试将我的数据（从hdf5格式的单个文件）写入多个文件，并且在串行执行任务时它可以正常工作。 现在我想提高效率并使用multiprocessing模块修改代码，但输出有时会出错。 这是我的代码的简化版本。

import multiprocessing as mp
import numpy as np
import math, h5py, time
N = 4  # number of processes to use
block_size = 300
data_sz = 678
dataFile = 'mydata.h5'

# fake some data
mydata = np.zeros((data_sz, 1))
for i in range(data_sz):
    mydata[i, 0] = i+1
h5file = h5py.File(dataFile, 'w')
h5file.create_dataset('train', data=mydata)

# fire multiple workers
pool = mp.Pool(processes=N)
total_part = int(math.ceil(1. * data_sz / block_size))
for i in range(total_part):
    pool.apply_async(data_write_func, args=(dataFile, i, ))
pool.close()
pool.join()

而data_write_func()的结构是：

def data_write_func(h5file_dir, i, block_size=block_size):
    hf = h5py.File(h5file_dir)
    fout = open('data_part_' + str(i), 'w')
    data_part = hf['train'][block_size*i : min(block_size*(i+1), data_sz)]  # np.ndarray
    for line in data_part:
        # do some processing, that takes a while...
        time.sleep(0.01)
        # then write out..
        fout.write(str(line[0]) + '\n')
    fout.close()

当我设置N=1 ，它运作良好。 但是当我设置N=2或N=4 ，结果有时会混乱（不是每次都！）。 例如在data_part_1中我期望输出为：

301,
302,
303,
...

但有时我得到的是

0,
0,
0,
...

有时我会

379,
380,
381,
...

我是多处理模块的新手，发现它很棘手。 如果有任何建议，请欣赏它！

Answer 1

修复fout.write和mydata=... ，Andriy建议您的程序按预期工作，因为每个进程都写入自己的文件。 这些过程无法相互融合。

你probaby想做的使用是multiprocessing.map()其削减你的迭代你（所以你不需要做block_size一样的东西），再加上它保证了结果的顺序进行。 我重写了你的代码以使用多处理映射：

import multiprocessing
from functools import partial
import pprint

def data_write_func(line):
  i = multiprocessing.current_process()._identity[0]
  line = [i*2 for i in line]
  files[i-1].write(",".join((str(s) for s in line)) + "\n")

N = 4
mydata=[[x+1,x+2,x+3,x+4] for x in range(0,4000*N,4)] # fake some data
files = [open('data_part_'+str(i), 'w') for i in range(N)]

pool = multiprocessing.Pool(processes=N)
pool.map(data_write_func, mydata)
pool.close()
pool.join()

请注意：

• 我是从这个过程中取出来的，它是1或2
• 因为现在为每一行调用data_write_func ，所以需要在父进程中完成文件打开。 另外：你不需要手动close()文件，操作系统会在退出你的python程序时为你做这件事。

现在，我想最后你想要将所有输出都放在一个文件中，而不是放在单独的文件中。 如果您的输出行在Linux上低于4096字节（或在OSX上低于512字节，对于其他操作系统，请参见此处 ），您实际上只需打开一个文件（在附加模式下）并让每个进程只写入该文件，如下所述，这些大小保证是Unix的原子。

更新 ：

“如果数据作为数据集存储在hdf5文件中怎么办？”

根据hdf5 doc，自2.2.0版以来，它开箱即用 ：

并行HDF5是HDF5库的一种配置，允许您跨多个并行进程共享打开的文件。 它使用MPI（消息传递接口）标准进行进程间通信

因此，如果您在代码中执行此操作：

h5file = h5py.File(dataFile, 'w')
dset = h5file.create_dataset('train', data=mydata)

然后你可以从你的进程中访问dset并读取/写入它而不需要采取任何额外的措施。 另请参阅h5py中使用多处理的此示例

Answer 2

这个问题无法复制。 这是我的完整代码：

#!/usr/bin/env python

import multiprocessing

N = 4
mydata=[[x+1,x+2,x+3,x+4] for x in range(0,4000*N,4)] # fake some data

def data_write_func(mydata, i, block_size=1000):
    fout = open('data_part_'+str(i), 'w')
    data_part = mydata[block_size*i: block_size*i+block_size]
    for line in data_part:
        # do some processing, say *2 for each element...
        line = [x*2 for x in line]
        # then write out..
        fout.write(','.join(map(str,line))+'\n')
    fout.close()

pool = multiprocessing.Pool(processes=N)
for i in range(2):
      pool.apply_async(data_write_func, (mydata, i, ))
pool.close()
pool.join()

data_part_0示例输出：

2,4,6,8
10,12,14,16
18,20,22,24
26,28,30,32
34,36,38,40
42,44,46,48
50,52,54,56
58,60,62,64

Answer 3

多处理不能保证不同线程之间代码执行的顺序，2个进程按其创建顺序的相反顺序执行是完全合理的（至少在windows和主流linux上）

通常当您使用并行化时，您需要工作线程生成数据然后将数据聚合到线程安全的数据结构并将其保存到文件，但是您在这里写入一个文件，可能是在一个硬盘上，您有任何理由吗？相信你会通过使用多个线程获得任何额外的性能？