Ограничение памяти достигнуто с помощью appengine-mapreduce

Я работаю над функцией appengine-mapreduce и модифицировал демонстрацию, чтобы она соответствовала моей цели. В основном у меня миллион строк в следующем формате: идентификатор пользователя, время1, время2.Моя цель - найти разницу между time1 и time2 для каждого идентификатора пользователя.

Однако, когда я запускал это на Google App Engine, я обнаружил следующее сообщение об ошибке в разделе журналов:

Превышен предел мягкой частной памяти на 180,56 МБ после обслуживания всего 130 запросов. При обработке этого запроса было обнаружено, что процесс, обработавший этот запрос, использует слишком много памяти, и был остановлен. Это может привести к использованию нового процесса для следующего запроса к вашему приложению. Если вы часто видите это сообщение, у вас может быть утечка памяти в вашем приложении.

def time_count_map(data):
  """Time count map function."""
  (entry, text_fn) = data
  text = text_fn()

  try:
    q = text.split('\n')
    for m in q:
        reader = csv.reader([m.replace('\0', '')], skipinitialspace=True)
        for s in reader:
            """Calculate time elapsed"""
            sdw = s[1]
            start_date = time.strptime(sdw,"%m/%d/%y %I:%M:%S%p")
            edw = s[2]
            end_date = time.strptime(edw,"%m/%d/%y %I:%M:%S%p")
            time_difference = time.mktime(end_date) - time.mktime(start_date)
            yield (s[0], time_difference)
  except IndexError, e:
    logging.debug(e)


def time_count_reduce(key, values):
  """Time count reduce function."""
  time = 0.0
  for subtime in values:
    time += float(subtime)
    realtime = int(time)
  yield "%s: %d\n" % (key, realtime)

Кто-нибудь может подсказать, как еще я могу лучше оптимизировать свой код? Спасибо!!

Отредактировано:

Вот обработчик конвейера:

class TimeCountPipeline(base_handler.PipelineBase):
  """A pipeline to run Time count demo.

  Args:
    blobkey: blobkey to process as string. Should be a zip archive with
      text files inside.
  """

  def run(self, filekey, blobkey):
    logging.debug("filename is %s" % filekey)
    output = yield mapreduce_pipeline.MapreducePipeline(
        "time_count",
        "main.time_count_map",
        "main.time_count_reduce",
        "mapreduce.input_readers.BlobstoreZipInputReader",
        "mapreduce.output_writers.BlobstoreOutputWriter",
        mapper_params={
            "blob_key": blobkey,
        },
        reducer_params={
            "mime_type": "text/plain",
        },
        shards=32)
    yield StoreOutput("TimeCount", filekey, output)

Mapreduce.yaml:

mapreduce:
- name: Make messages lowercase
  params:
  - name: done_callback
    value: /done
  mapper:
    handler: main.lower_case_posts
    input_reader: mapreduce.input_readers.DatastoreInputReader
    params:
    - name: entity_kind
      default: main.Post
    - name: processing_rate
      default: 100
    - name: shard_count
      default: 4
- name: Make messages upper case
  params:
  - name: done_callback
    value: /done
  mapper:
    handler: main.upper_case_posts
    input_reader: mapreduce.input_readers.DatastoreInputReader
    params:
    - name: entity_kind
      default: main.Post
    - name: processing_rate
      default: 100
    - name: shard_count
      default: 4

Остальные файлы точно такие же, как в демонстрации.

Я загрузил копию своих кодов в Dropbox: http://dl.dropbox.com/u/4288806/demo%20compressed%20fail%20memory.zip