python中大文件的并发下载和处理

Question

我有一个要下载（例如压缩档案）的大文件的 URL 列表，我想处理（例如解压缩档案）。

下载和处理都需要很长时间，并且磁盘 IO 上的处理很繁重，所以我希望一次只运行一个。由于这两个任务花费大约相同的时间并且不竞争相同的资源，因此我想在处理最后一个文件时下载下一个文件。

这是 producer-consumer problem 的变体。

情况与reading and processing images 或downloading loads of files 类似，但我的下载程序调用（还）不能picklable，所以我无法使用多处理，而且这两个任务花费的时间差不多。

这是一个虚拟示例，下载和处理都被阻塞：

import time
import posixpath

def download(urls):
    for url in urls:
        time.sleep(3)  # this is the download (more like 1000s) 
        yield posixpath.basename(url)

def process(fname):
    time.sleep(2)  # this is the processing part (more like 600s)

urls = ['a', 'b', 'c']
for fname in download(urls):
    process(fname)
    print(fname)

如何使这两个任务同时进行？我可以使用yield 或yield from in a smart way，或者与deque 结合使用吗？还是必须是asyncio 和Future？

Answer 1

一年后，我们实际上正在使用 Python 3 的 asyncio 和 aiohttp。

Answer 2

我只需使用threading.Thread(target=process, args=(fname,)) 并启动一个新线程进行处理。

但在此之前，结束最后一个处理线程：

t = None
for fname in download(urls):
    if t is not None: # wait for last processing thread to end
        t.join()
    t = threading.Thread(target=process, args=(fname,))
    t.start()
    print('[i] thread started for %s' % fname)

见https://docs.python.org/3/library/threading.html