Python多处理内存使用

Question

我写了一个程序，可以总结如下：

def loadHugeData():
    #load it
    return data

def processHugeData(data, res_queue):
    for item in data:
        #process it
        res_queue.put(result)
    res_queue.put("END")

def writeOutput(outFile, res_queue):
    with open(outFile, 'w') as f
        res=res_queue.get()
        while res!='END':
            f.write(res)
            res=res_queue.get()

res_queue = multiprocessing.Queue()

if __name__ == '__main__':
    data=loadHugeData()
    p = multiprocessing.Process(target=writeOutput, args=(outFile, res_queue))
    p.start()
    processHugeData(data, res_queue)
    p.join()

真正的代码（尤其是writeOutput()）要复杂得多。 writeOutput() 仅使用它作为参数的这些值（意味着它不引用 data）

基本上，它将一个巨大的数据集加载到内存中并对其进行处理。输出的写入被委托给一个子进程（它实际上写入多个文件，这需要很多时间）。 因此，每次处理一个数据项时，它都会通过 res_queue 发送到子进程，然后再根据需要将结果写入文件。

子进程不需要以任何方式访问、读取或修改loadHugeData()加载的数据。子进程只需要使用主进程通过res_queue发送的内容。这引出了我的问题和疑问。

在我看来，子进程拥有自己的庞大数据集副本（使用top 检查内存使用情况时）。这是真的？如果是这样，那么我怎样才能避免 id （本质上使用双内存）？

我使用的是 Python 2.6，程序在 linux 上运行。

Answer 1

multiprocessing 模块有效地基于创建当前进程副本的fork 系统调用。由于您在fork（或创建multiprocessing.Process）之前加载了大量数据，因此子进程继承了数据的副本。

但是，如果您运行的操作系统实现了 COW（写时复制），那么物理内存中实际上只有一份数据副本，除非您在父进程或子进程中修改数据（两者父母和孩子将共享相同的物理内存页面，尽管在不同的虚拟地址空间中）；即使这样，也只会为更改分配额外的内存（以pagesize 为增量）。

您可以通过在加载大量数据之前调用multiprocessing.Process 来避免这种情况。那么在父进程中加载​​数据时，额外的内存分配不会反映在子进程中。

编辑：在答案中反映@Janne Karila 的评论，因为它是如此相关：“还请注意，每个 Python 对象都包含一个引用计数，每当访问对象时都会修改该引用计数。因此，仅读取数据结构可能会导致 COW复制。”