python池apply_async和map_async不会阻塞完整队列

Question

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，直到我处理我输入我的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。

经过一番播放后，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。

我的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！

Answer 1

为了防止有人在这里结束，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.'

Answer 2

apply_async和map_async函数旨在不阻止主进程。 为了做到这一点， Pool维护一个内部Queue ，遗憾的是，这个大小无法改变。

解决问题的方法是使用以您希望队列大小初始化的Semaphore 。 您在进入池之前以及在工作人员完成任务之后获取并释放信号量。

这是一个使用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()

另一个使用concurrent.futures池实现的示例 。

Answer 3

apply_async返回一个AsyncResult对象，您可以wait ：

if len(batch) >= 10000:
    r = pool.apply_async(insert, args=(batch, i+1))
    r.wait()
    batch = []

虽然如果要以更干净的方式执行此操作，但应使用maxsize为10000的multiprocessing.Queue ，并从multiprocessing.Process派生Worker类，该类从此类队列中获取。

Answer 4

不漂亮，但您可以访问内部队列大小并等到它低于您想要的最大大小，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)