处理来自多个进程的单个文件

Question

我有一个大文本文件，我想在其中处理每一行（做一些操作）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，我希望它通过多个进程或线程来完成。 每个线程/进程都应该从该单个文件中读取不同的数据（不同的行），并对它们的数据（行）进行一些操作并将它们放入数据库中，这样最后，我就可以处理全部数据和我的数据库转储了我需要的数据。

但我无法弄清楚如何解决这个问题。

Answer 1

将单个大文件分解为多个较小的文件，并在单独的线程中处理每个文件。

Answer 2

您正在寻找的是生产者/消费者模式

基本线程示例

这是一个使用threading module（而不是多处理）的基本示例

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。您可以通过向queue 提供数据行来为他们制作工作。然后每个线程会拿起一行，处理它，然后在队列中返回它。

multiprocessing module 中内置了一些更高级的工具来共享数据，例如列表和special kind of Queue。使用多处理与线程需要权衡取舍，这取决于您的工作是受 CPU 限制还是 IO 限制。

基本的 multiprocessing.Pool 示例

这是一个非常基本的多处理池示例

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

A Pool 是一个管理自己的进程的便利对象。由于打开的文件可以遍历其行，因此您可以将其传递给pool.map()，它将遍历它并将行传递给工作函数。 Map 阻塞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() 将在执行工作之前将您的整个文件一次全部读入内存。如果您希望有大文件，请记住这一点。有更高级的方法来设计生产者/消费者设置。

具有限制和线重新排序的手动“池”

这是Pool.map 的手动示例，但您可以设置队列大小，这样您就可以尽可能快地处理它，而不是一次性消耗整个迭代。我还添加了行号，以便您以后可以跟踪它们并在需要时参考它们。

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)

Answer 3

这是我编造的一个非常愚蠢的例子：

import os.path
import multiprocessing

def newlinebefore(f,n):
    f.seek(n)
    c=f.read(1)
    while c!='\n' and n > 0:
        n-=1
        f.seek(n)
        c=f.read(1)

    f.seek(n)
    return n

filename='gpdata.dat'  #your filename goes here.
fsize=os.path.getsize(filename) #size of file (in bytes)

#break the file into 20 chunks for processing.
nchunks=20
initial_chunks=range(1,fsize,fsize/nchunks)

#You could also do something like:
#initial_chunks=range(1,fsize,max_chunk_size_in_bytes) #this should work too.


with open(filename,'r') as f:
    start_byte=sorted(set([newlinebefore(f,i) for i in initial_chunks]))

end_byte=[i-1 for i in start_byte] [1:] + [None]

def process_piece(filename,start,end):
    with open(filename,'r') as f:
        f.seek(start+1)
        if(end is None):
            text=f.read()
        else: 
            nbytes=end-start+1
            text=f.read(nbytes)

    # process text here. createing some object to be returned
    # You could wrap text into a StringIO object if you want to be able to
    # read from it the way you would a file.

    returnobj=text
    return returnobj

def wrapper(args):
    return process_piece(*args)

filename_repeated=[filename]*len(start_byte)
args=zip(filename_repeated,start_byte,end_byte)

pool=multiprocessing.Pool(4)
result=pool.map(wrapper,args)

#Now take your results and write them to the database.
print "".join(result)  #I just print it to make sure I get my file back ...

这里的棘手部分是确保我们将文件拆分为换行符，这样您就不会错过任何行（或只读取部分行）。然后，每个进程读取文件的一部分并返回一个对象，该对象可以由主线程放入数据库中。当然，您甚至可能需要分块执行此部分，这样您就不必一次将所有信息保存在内存中。 （这很容易实现——只需将“args”列表分成 X 块并调用 pool.map(wrapper,chunk)——参见 here）