处理多个进程中的单个文件

Question

我有一个大文本文件，我想在其中处理每一行（执行一​​些操作）并将它们存储在数据库中。由于单个简单程序花费的时间太长，我希望它可以通过多个进程或线程来完成。每个线程/进程应从单个文件中读取不同的数据（不同的行），并对它们的数据（行）进行一些操作，然后将它们放入数据库中，以便最后我可以处理所有数据，数据库随我需要的数据一起转储了。

但是我无法弄清楚如何解决这个问题。

Answer 1

您正在寻找的是生产者/消费者模式

基本线程示例

这是使用线程模块的基本示例（而不是多处理）

import threading
import Queue
import sys

def do_work(in_queue, out_queue):
    while True:
        item = in_queue.get()
        # process
        result = item
        out_queue.put(result)
        in_queue.task_done()

if __name__ == "__main__":
    work = Queue.Queue()
    results = Queue.Queue()
    total = 20

    # start for workers
    for i in xrange(4):
        t = threading.Thread(target=do_work, args=(work, results))
        t.daemon = True
        t.start()

    # produce data
    for i in xrange(total):
        work.put(i)

    work.join()

    # get the results
    for i in xrange(total):
        print results.get()

    sys.exit()

您不会与线程共享文件对象。您可以通过为队列提供数据行来为他们工作。然后，每个线程将接起一行，对其进行处理，然后将其返回到队列中。

在多处理模块中内置了一些更高级的功能来共享数据，例如列表和特殊的Queue。在使用多处理与线程时需要权衡取舍，这取决于您的工作是CPU约束还是IO约束。

基本的多处理池示例

这是一个多处理池的真正基本示例

from multiprocessing import Pool

def process_line(line):
    return "FOO: %s" % line

if __name__ == "__main__":
    pool = Pool(4)
    with open('file.txt') as source_file:
        # chunk the work into batches of 4 lines at a time
        results = pool.map(process_line, source_file, 4)

    print results

池是管理其自身进程的便捷对象。由于打开的文件可以遍历其行，因此可以将其传递到pool.map()，该文件将循环遍历并将行传递给worker函数。映射将阻止并在完成后返回整个结果。请注意，这是一个过于简化的示例，pool.map()在进行工作之前，它将立即将整个文件读入内存。如果您希望有大文件，请记住这一点。有更多高级方法可以设计生产者/消费者设置。

手动“池”，具有限制和行重新排序

这是Pool.map的手动示例，但是您可以设置队列大小，以使只按其可以处理的最快速度逐个喂入，而不是一次性消耗整个可迭代对象。我还添加了行号，以便以后可以跟踪它们并引用它们。

from multiprocessing import Process, Manager
import time
import itertools

def do_work(in_queue, out_list):
    while True:
        item = in_queue.get()
        line_no, line = item

        # exit signal 
        if line == None:
            return

        # fake work
        time.sleep(.5)
        result = (line_no, line)

        out_list.append(result)


if __name__ == "__main__":
    num_workers = 4

    manager = Manager()
    results = manager.list()
    work = manager.Queue(num_workers)

    # start for workers    
    pool = []
    for i in xrange(num_workers):
        p = Process(target=do_work, args=(work, results))
        p.start()
        pool.append(p)

    # produce data
    with open("source.txt") as f:
        iters = itertools.chain(f, (None,)*num_workers)
        for num_and_line in enumerate(iters):
            work.put(num_and_line)

    for p in pool:
        p.join()

    # get the results
    # example:  [(1, "foo"), (10, "bar"), (0, "start")]
    print sorted(results)