Я должен считать некоторые очень огромные текстовые файлы (100 + Мбит), обработать каждый строки с regex и хранить данные в структуру. Моя структура наследовалась defaultdict, она имеет чтение (сам) метод, которые читают сам file_name файл.
Посмотрите на это очень простое (но не реальные) пример, я не использую regex, но я разделяю строки:
import multiprocessing
from collections import defaultdict
def SingleContainer():
return list()
class Container(defaultdict):
"""
this class store odd line in self["odd"] and even line in self["even"].
It is stupid, but it's only an example. In the real case the class
has additional methods that do computation on readen data.
"""
def __init__(self,file_name):
if type(file_name) != str:
raise AttributeError, "%s is not a string" % file_name
defaultdict.__init__(self,SingleContainer)
self.file_name = file_name
self.readen_lines = 0
def read(self):
f = open(self.file_name)
print "start reading file %s" % self.file_name
for line in f:
self.readen_lines += 1
values = line.split()
key = {0: "even", 1: "odd"}[self.readen_lines %2]
self[key].append(values)
print "readen %d lines from file %s" % (self.readen_lines, self.file_name)
def do(file_name):
container = Container(file_name)
container.read()
return container.items()
if __name__ == "__main__":
file_names = ["r1_200909.log", "r1_200910.log"]
pool = multiprocessing.Pool(len(file_names))
result = pool.map(do,file_names)
pool.close()
pool.join()
print "Finish"
В конце я должен присоединиться к каждому результаты в единственном Контейнере. Важно, чтобы порядок строк был сохранен. Мой подход является слишком медленным при возвращении значения. Лучшее решение? Я использую python 2.6 на Linux
Многопроцессор более подходит для процессов, ориентированных на CPU или Memory, поскольку время поиска вращательных приводов убивает производительность при переключении файлов. Либо загрузите файлы журналов в быструю флешку или какой-то диск памяти (физический или виртуальный) или отказываться от многопроцессора.
Вы создаете пул с таким количеством работников в качестве файлов. Это может быть слишком много. Обычно я стремлюсь иметь количество работников вокруг того же, что и количество сердечников.
Простой факт заключается в том, что ваш последний шаг будет использоваться одним процессом, объединяющим все результаты вместе. Нет никаких избегающих этого, учитывая ваше описание проблемы. Это известно как синхронизация барьера: все задачи должны достичь одной той же точки, прежде чем любая может продолжаться.
Вы, вероятно, должны запускать эту программу несколько раз или в цикле, передавая другое значение на Multipressing.pool ()
каждый раз, начиная с 1 и переходом на количество сердечников. Время каждого пробега, и посмотри, какой счетчик работника делает лучше всего.
Результат будет зависеть от того, как CPU-интенсивный (в отличие от диска-интенсивной) ваша задача. Я бы не был удивлен, если бы 2 были лучше всего, если ваша задача около половины процессора и половины диска даже на 8-ядерной машине.
Вы, вероятно, попали в две проблемы.
Один из них был упомянут: вы читаете несколько файлов одновременно. Эти читатели в конечном итоге будут перемещаться, вызывая перемагивание диска. Вы хотите сразу читать целые файлы, а затем только многотехнические вычисления на данные.
Во-вторых, вы попадаете на накладные расходы многопроцессорного модуля Python. Это на самом деле не использует потоки, но вместо этого запускают несколько процессов и сериализуют результаты через трубу. Это очень медленно для объемных данных - на самом деле, кажется, медленнее, чем работа, которую вы делаете в потоке (по крайней мере, в примере). Это реальная проблема, вызванная Гил.
Если я изменим do do (), чтобы вернуть ни одного вместо контейнера. Items () Отключить дополнительную копию данных, этот пример - это быстрее, чем один поток, если файлы уже кэшируют:
Две потоки: 0.36Elapsed 168% CPU
Один поток (заменить пункт. Как на карте): 0: 00.52Elapsed 98% CPU
К сожалению, проблема GIL является фундаментальным и не может быть обработана от внутри питона.