[英]Python: Multiprocessing code is very slow
我拉.8
一气呵成百万的记录(这是一个时间过程),从mongodb
使用pymongo
并对其执行某些操作。
我的代码如下所示。
proc = []
for rec in cursor: # cursor has .8 million rows
print cnt
cnt = cnt + 1
url = rec['urlk']
mkptid = rec['mkptid']
cii = rec['cii']
#self.process_single_layer(url, mkptid, cii)
proc = Process(target=self.process_single_layer, args=(url, mkptid, cii))
procs.append(proc)
proc.start()
# complete the processes
for proc in procs:
proc.join()
process_single_layer
是一个基本上从云下载urls
并本地存储的功能。
现在的问题是,下载过程很慢,因为它必须命中URL。 而且由于记录量巨大,因此要处理1k行,因此需要6分钟。
为了减少时间,我想实现Multiprocessing
。 但是很难看到上面的代码有什么区别。
请建议我如何在这种情况下提高性能。
首先,您需要计算文件中的所有行,然后生成固定数量的进程(最好与处理器内核的数量匹配),并通过队列(每个进程一个)将等于total_number_of_rows / number_of_cores
。 这种方法的思想是将这些行的处理划分为多个进程,从而实现并行性。
一种动态找出内核数的方法是:
import multiprocessing as mp
cores_count = mp.cpu_count()
避免初始行数可以做的一点改进是,通过创建队列列表来循环添加一行,然后在其上应用循环迭代器。
一个完整的例子:
import queue
import multiprocessing as mp
import itertools as itools
cores_count = mp.cpu_count()
def dosomething(q):
while True:
try:
row = q.get(timeout=5)
except queue.Empty:
break
# ..do some processing here with the row
pass
if __name__ == '__main__':
processes
queues = []
# spawn the processes
for i in range(cores_count):
q = mp.Queue()
queues.append(q)
proc = Process(target=dosomething, args=(q,))
processes.append(proc)
queues_cycle = itools.cycle(queues)
for row in cursor:
q = next(queues_cycle)
q.put(row)
# do the join after spawning all the processes
for p in processes:
p.join()
在这种情况下使用池更容易。
队列不是必需的,因为您无需在生成的进程之间进行通信。 我们可以使用Pool.map
分配工作量。
Pool.imap
或Pool.imap_unordered
在块大小较大时可能会更快。 ( 请 Pool.starmap
: https : Pool.starmap
如果需要,可以使用Pool.starmap
并摆脱元组拆包。
from multiprocessing import Pool
def process_single_layer(data):
# unpack the tuple and do the processing
url, mkptid, cii = data
return "downloaded" + url
def get_urls():
# replace this code: iterate over cursor and yield necessary data as a tuple
for rec in range(8):
url = "url:" + str(rec)
mkptid = "mkptid:" + str(rec)
cii = "cii:" + str(rec)
yield (url, mkptid, cii)
# you can come up with suitable process count based on the number of CPUs.
with Pool(processes=4) as pool:
print(pool.map(process_single_layer, get_urls()))
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.