如何使用 Python 多处理池处理 tarfile？

Question

我正在尝试使用multiprocessing.Pool 处理 tar 文件的内容。我能够在多处理模块中成功使用 ThreadPool 实现，但希望能够使用进程而不是线程，因为它可能会更快并消除为 Matplotlib 处理多线程环境所做的一些更改。我收到一个错误，我怀疑与进程不共享地址空间有关，但我不确定如何修复它：

Traceback (most recent call last):
  File "test_tarfile.py", line 32, in <module>
    test_multiproc()
  File "test_tarfile.py", line 24, in test_multiproc
    pool.map(read_file, files)
  File "/ldata/whitcomb/epd-7.1-2-rh5-x86_64/lib/python2.7/multiprocessing/pool.py", line 225, in map
    return self.map_async(func, iterable, chunksize).get()
  File "/ldata/whitcomb/epd-7.1-2-rh5-x86_64/lib/python2.7/multiprocessing/pool.py", line 522, in get
    raise self._value
ValueError: I/O operation on closed file

实际的程序更复杂，但这是我正在做的一个重现错误的示例：

from multiprocessing.pool import ThreadPool, Pool
import StringIO
import tarfile

def write_tar():
    tar = tarfile.open('test.tar', 'w')
    contents = 'line1'
    info = tarfile.TarInfo('file1.txt')
    info.size = len(contents)
    tar.addfile(info, StringIO.StringIO(contents))
    tar.close()

def test_multithread():
    tar   = tarfile.open('test.tar')
    files = [tar.extractfile(member) for member in tar.getmembers()]
    pool  = ThreadPool(processes=1)
    pool.map(read_file, files)
    tar.close()

def test_multiproc():
    tar   = tarfile.open('test.tar')
    files = [tar.extractfile(member) for member in tar.getmembers()]
    pool  = Pool(processes=1)
    pool.map(read_file, files)
    tar.close()

def read_file(f):
    print f.read()

write_tar()
test_multithread()
test_multiproc()

我怀疑当TarInfo 对象被传递到另一个进程但父TarFile 不是时出现问题，但我不确定如何在多进程情况下修复它。我可以在不必从 tarball 中提取文件并将它们写入磁盘的情况下执行此操作吗？

Answer 1

您没有将TarInfo 对象传递给另一个进程，而是将tar.extractfile(member) 的结果传递给member 是TarInfo 对象的另一个进程。 extractfile(...) 方法返回一个类似文件的对象，其中包含一个 read() 方法，该方法对您使用 tar = tarfile.open('test.tar') 打开的原始 tar 文件进行操作。

但是，您不能在另一个进程中使用来自一个进程的打开文件，您必须重新打开该文件。我用这个替换了你的test_multiproc()：

def test_multiproc():
    tar   = tarfile.open('test.tar')
    files = [name for name in tar.getnames()]
    pool  = Pool(processes=1)
    result = pool.map(read_file2, files)
    tar.close()

并添加了这个：

def read_file2(name):
    t2 = tarfile.open('test.tar')
    print t2.extractfile(name).read()
    t2.close()

并且能够让您的代码正常工作。