将大文件中的数据分块进行多处理？

Question

我正在尝试使用多重处理来并行化应用程序，该处理程序会处理一个非常大的csv文件（64MB至500MB），逐行执行一些工作，然后输出一个固定大小的小文件。

目前，我正在执行list(file_obj)，不幸的是，它已完全加载到内存中（我认为），然后我将该列表分成了n个部分，n是我要运行的进程数。然后，我pool.map()在分类列表上执行。

与单线程，仅打开文件并迭代的方法相比，这似乎具有非常非常糟糕的运行时。有人可以提出更好的解决方案吗？

此外，我需要按组处理文件中的行，以保留特定列的值。这些行组本身可以拆分，但是该列中的任何组都不能包含多个值。

Answer 1

list(file_obj)大的时候可能需要很多内存fileobj。我们可以通过使用itertools根据需要拉出几行代码来减少内存需求。

特别是，我们可以使用

reader = csv.reader(f)
chunks = itertools.groupby(reader, keyfunc)

将文件拆分为可处理的块，以及

groups = [list(chunk) for key, chunk in itertools.islice(chunks, num_chunks)]
result = pool.map(worker, groups)

使多处理池一次处理多个num_chunks块。

这样，我们大约只需要足够的内存即可在内存中保存几个（num_chunks）块，而不是整个文件。

import multiprocessing as mp
import itertools
import time
import csv

def worker(chunk):
    # `chunk` will be a list of CSV rows all with the same name column
    # replace this with your real computation
    # print(chunk)
    return len(chunk)

def keyfunc(row):
    # `row` is one row of the CSV file.
    # replace this with the name column.
    return row[0]

def main():
    pool = mp.Pool()
    largefile = 'test.dat'
    num_chunks = 10
    results = []
    with open(largefile) as f:
        reader = csv.reader(f)
        chunks = itertools.groupby(reader, keyfunc)
        while True:
            # make a list of num_chunks chunks
            groups = [list(chunk) for key, chunk in
                      itertools.islice(chunks, num_chunks)]
            if groups:
                result = pool.map(worker, groups)
                results.extend(result)
            else:
                break
    pool.close()
    pool.join()
    print(results)

if __name__ == '__main__':
    main()