foreach %dopar% + RPostgreSQL

Question

我正在使用 RPostgreSQL 连接到本地数据库。该设置在我的 Linux 机器上运行良好。 R 2.11.1，Postgres 8.4。

我正在使用带有多核 (doMC) 并行后端的“foreach”来包装一些重复查询（编号为几千）并将结果附加到数据结构中。奇怪的是，如果我使用 %do% 则它可以工作，但当我切换到 %dopar% 时它会失败，但只有一次迭代时例外（如下所示）

我想知道它是否与单个连接对象有关，因此我创建了 10 个连接对象，并根据“i”是什么，为该查询提供了某个 con 对象，具体取决于 i 模 10。（表示下面只有 2 个连接对象）。评估 eval(expr.01) 的表达式包含/是取决于“i”是什么的查询。

我无法理解这些特定的错误消息。我想知道是否有任何方法可以使这项工作。

谢谢。
Vishal Belsare

R sn-p 如下：

> id.qed2.foreach <- foreach(i = 1588:1588, .inorder=FALSE) %dopar% { 
+ if (i %% 2 == 0) {con <- con0}; 
+ if (i %% 2 == 1) {con <- con1}; 
+ fetch(dbSendQuery(con,eval(expr.01)),n=-1)$idreuters};
> id.qed2.foreach
[[1]]
  [1]   411   414  2140  2406  4490  4507  4519  4570  4571  4572  4703  4731
[109] 48765 84312 91797

> id.qed2.foreach <- foreach(i = 1588:1589, .inorder=FALSE) %dopar% { 
+ if (i %% 2 == 0) {con <- con0}; 
+ if (i %% 2 == 1) {con <- con1}; 
+ fetch(dbSendQuery(con,eval(expr.01)),n=-1)$idreuters};
Error in stop(paste("expired", class(con))) : 
  no function to return from, jumping to top level
Error in stop(paste("expired", class(con))) : 
  no function to return from, jumping to top level
Error in { : 
  task 1 failed - "error in evaluating the argument 'res' in selecting a method for function 'fetch'"
> 

编辑：我改变了一些东西，（仍然不成功），但有一些事情浮出水面。在循环中建立的连接对象，而不是通过 dbDisconnect '断开'，导致连接挂起，如 Postgres 的 /var/log 所示。执行此操作时会显示一些新的错误消息：

> system.time(
+ id.qed2.foreach <- foreach(i = 1588:1590, .inorder=FALSE, 
.packages=c("DBI", "RPostgreSQL")) %dopar% {drv0 <- dbDriver("PostgreSQL"); 
con0 <- dbConnect(drv0, dbname='nseindia');
list(idreuters=fetch(dbSendQuery(con0,eval(expr.01)),n=-1)$idreuters);
dbDisconnect(con0)})
Error in postgresqlExecStatement(conn, statement, ...) : 
  no function to return from, jumping to top level
Error in postgresqlExecStatement(conn, statement, ...) : 
  no function to return from, jumping to top level
Error in postgresqlExecStatement(conn, statement, ...) : 
  no function to return from, jumping to top level
Error in { : 
  task 1 failed - "error in evaluating the argument 'res' in selecting a method for function 'fetch'"

Answer 1

每个工作人员创建一次数据库连接比每个任务创建一次更有效。不幸的是，mclapply 没有提供在执行任务之前初始化worker 的机制，所以使用doMC 后端来做这件事并不容易，但是如果你使用doParallel 后端，你可以使用clusterEvalQ 来初始化worker。以下是如何重构代码的示例：

library(doParallel)
cl <- makePSOCKcluster(detectCores())
registerDoParallel(cl)

clusterEvalQ(cl, {
  library(DBI)
  library(RPostgreSQL)
  drv <- dbDriver("PostgreSQL")
  con <- dbConnect(drv, dbname="nsdq")
  NULL
})

id.qed.foreach <- foreach(i=1588:3638, .inorder=FALSE,
                          .noexport="con",
                          .packages=c("DBI", "RPostgreSQL")) %dopar% {
  lst <- eval(expr.01)  #contains the SQL query which depends on 'i'
  qry <- dbSendQuery(con, lst)
  tmp <- fetch(qry, n=-1)
  dt <- dates.qed2[i]
  list(date=dt, idreuters=tmp$idreuters)
}

clusterEvalQ(cl, {
  dbDisconnect(con)
})

由于 doParallel 和 clusterEvalQ 使用相同的集群对象 cl，因此在执行任务时，foreach 循环将可以访问数据库连接对象 con。

Answer 2

以下工作和速度比顺序形式提高了约 1.5 倍。作为下一步，我想知道是否可以将连接对象附加到由 registerDoMC 生成的每个工作人员。如果是这样，那么就不需要创建/销毁连接对象，这样可以防止 PostgreSQL 服务器的连接不堪重负。

pgparquery <- function(i) {
drv <- dbDriver("PostgreSQL"); 
con <- dbConnect(drv, dbname='nsdq'); 
lst <- eval(expr.01); #contains the SQL query which depends on 'i'
qry <- dbSendQuery(con,lst);
tmp <- fetch(qry,n=-1);
dt <- dates.qed2[i]
dbDisconnect(con);
result <- list(date=dt, idreuters=tmp$idreuters)
return(result)}

id.qed.foreach <- foreach(i = 1588:3638, .inorder=FALSE, .packages=c("DBI", "RPostgreSQL")) %dopar% {pgparquery(i)}

--
Vishal Belsare