无法理解 python 多处理

Question

我需要为我的数据库的每个元素运行一个函数。

当我尝试以下操作时：

from multiprocessing import Pool
from pymongo import Connection

def foo():
...


connection1 = Connection('127.0.0.1', 27017)
db1 = connection1.data

my_pool = Pool(6)
my_pool.map(foo, db1.index.find())

我收到以下错误：

作业 1，'python myscript.py' 被信号 SIGKILL 终止（强制退出）

我认为这是由db1.index.find() 在尝试返回数百万个数据库元素时吃掉所有可用内存造成的......

我应该如何修改我的代码以使其正常工作？

这里有一些日志：

dmesg | tail -500 | grep memory
[177886.768927] Out of memory: Kill process 3063 (python) score 683 or sacrifice child
[177891.001379]  [<ffffffff8110e51a>] out_of_memory+0xfa/0x250
[177891.021362] Out of memory: Kill process 3063 (python) score 684 or sacrifice child
[177891.025399]  [<ffffffff8110e51a>] out_of_memory+0xfa/0x250

下面的实际功能：

def create_barrel(item):
    connection = Connection('127.0.0.1', 27017)
    db = connection.data
    print db.index.count()
    barrel = []
    fls = []
    if 'name' in item.keys():
        barrel.append(WhitespaceTokenizer().tokenize(item['name']))
        name = item['name']
    elif 'name.utf-8' in item.keys():
        barrel.append(WhitespaceTokenizer().tokenize(item['name.utf-8']))
        name = item['name.utf-8']
    else:
        print item.keys()
    if 'files' in item.keys():
        for file in item['files']:
            if 'path' in file.keys():
                barrel.append(WhitespaceTokenizer().tokenize(" ".join(file['path'])))
                fls.append(("\\".join(file['path']),file['length']))
            elif 'path.utf-8'  in file.keys():
                barrel.append(WhitespaceTokenizer().tokenize(" ".join(file['path.utf-8'])))
                fls.append(("\\".join(file['path.utf-8']),file['length']))
            else:
                print file
                barrel.append(WhitespaceTokenizer().tokenize(file))
    if len(fls) < 1:
        fls.append((name,item['length']))
    barrel = sum(barrel,[])
    for s in barrel:
        vs = re.findall("\d[\d|\.]*\d", s) #versions i.e. numbes such as 4.2.7500 
    b0 = []
    for s in barrel:
        b0.append(re.split("[" + string.punctuation + "]", s))
    b1 = filter(lambda x: x not in string.punctuation, sum(b0,[]))
    flag = True
    while flag:
        bb = []
        flag = False
        for bt in b1:
            if bt[0] in string.punctuation:
                bb.append(bt[1:])
                flag = True
            elif bt[-1] in string.punctuation:
                bb.append(bt[:-1])
                flag = True
            else:
                bb.append(bt)
        b1 = bb
    b2 = b1 + barrel + vs
    b3 = list(set(b2))
    b4 = map(lambda x: x.lower(), b3)
    b_final = {}
    b_final['_id'] = item['_id']
    b_final['tags'] = b4
    b_final['name'] = name
    b_final['files'] = fls
    print db.barrels.insert(b_final)

我注意到有趣的事情。然后我按 ctrl+c 停止进程我得到以下信息：

python index2barrel.py 
Traceback (most recent call last):
  File "index2barrel.py", line 83, in <module>
    my_pool.map(create_barrel, db1.index.find, 6)
  File "/usr/lib/python2.7/multiprocessing/pool.py", line 227, in map
    return self.map_async(func, iterable, chunksize).get()
  File "/usr/lib/python2.7/multiprocessing/pool.py", line 280, in map_async
    iterable = list(iterable)
TypeError: 'instancemethod' object is not iterable

我的意思是，为什么多处理试图将某些东西转换为列表？不是问题的根源吗？

来自堆栈跟踪：

brk(0x231ccf000)                        = 0x231ccf000
futex(0x1abb150, FUTEX_WAKE_PRIVATE, 1) = 1
sendto(3, "+\0\0\0\260\263\355\356\0\0\0\0\325\7\0\0\0\0\0\0data.index\0\0"..., 43, 0, NULL, 0) = 43
recvfrom(3, "Some text from my database."..., 491663, 0, NULL, NULL) = 491663
... [manymany times]
brk(0x2320d5000)                        = 0x2320d5000
.... manymany times

上面的示例在 strace 输出中不断出现，出于某种原因 strace -o logfile python myscript.py 不停止。它只是吃掉所有可用的内存并写入日志文件。

更新。使用 imap 而不是 map 解决了我的问题。

Answer 1

由于find() 操作将光标返回到 map 函数，并且您说这样做时它运行没有问题 for item in db1.index.find(): create_barrel(item) 看起来create_barrel 函数没问题。

您能否尝试限制游标中返回的结果数量，看看是否有帮助？我认为语法是：

db1.index.find().limit(100)

如果你可以试试这个，看看它是否有帮助，它可能有助于找出问题的原因。

EDIT1：我认为您使用 map 函数以错误的方式解决此问题 - 我认为您应该在 mongo python 驱动程序中使用 map_reduce - 这样 map 函数将由 mongod 进程执行。

Answer 2

map() 函数将项目以块的形式提供给给定的函数。默认情况下，这个块大小是这样计算的（link to source）：

chunksize, extra = divmod(len(iterable), len(self._pool) * 4)

在您的情况下，这可能会导致块大小过大，并让进程耗尽内存。尝试像这样手动设置块大小：

my_pool.map(foo, db1.index.find(), 100)

编辑：您还应该考虑重用数据库连接并在使用后关闭它们。现在您为每个项目创建新的数据库连接，并且您不会向它们调用close()。

EDIT2：还要检查while 循环是否进入无限循环（将解释症状）。

EDIT3：根据您添加的回溯，map 函数尝试将光标转换为列表，从而导致一次获取所有项目。发生这种情况是因为它想找出集合中有多少项目。这是来自pool.py 的map() 代码的一部分：

if not hasattr(iterable, '__len__'):
    iterable = list(iterable)

您可以尝试这样做以避免转换为列表：

cursor = db1.index.find()
cursor.__len__ = cursor.count()
my_pool.map(foo, cursor)