我正在从大型CSV文件中读取数据，对其进行处理并将其加载到SQLite数据库中。分析表明80％的时间花在I / O上，20％是处理输入以准备数据库插入。我用multiprocessing.Pool加快了处理步骤，以便I / O代码永远不会等待下一条记录。但是，这导致了严重的内存问题，因为I / O步骤无法跟上工作人员的步伐。
以下玩具示例说明了我的问题：
#!/usr/bin/env python # 3.4.3
import time
from multiprocessing import Pool
def records(num=100):
"""Simulate generator getting data from large CSV files."""
for i in range(num):
print('Reading record {0}'.format(i))
time.sleep(0.05) # getting raw data is fast
yield i
def process(rec):
"""Simulate processing of raw text into dicts."""
print('Processing {0}'.format(rec))
time.sleep(0.1) # processing takes a little time
return rec
def writer(records):
"""Simulate saving data to SQLite database."""
for r in records:
time.sleep(0.3) # writing takes the longest
print('Wrote {0}'.format(r))
if __name__ == "__main__":
data = records(100)
with Pool(2) as pool:
writer(pool.imap_unordered(process, data, chunksize=5))
此代码导致记录积压，最终消耗所有内存，因为我无法足够快地将数据持久保存到磁盘。运行代码，你会注意到当Pool.imap_unordered处于第15个记录左右时，writer将消耗所有数据。现在假设处理步骤正在生成数亿行的字典，你可以看到我内存不足的原因。也许是Amdahl's Law在行动。
有什么办法解决这个问题？我认为我需要为Pool.imap_unordered提供某种缓冲区，它说“一旦有x条记录需要插入，停止并等待，直到产生更多的x之前有少于x。”在最后一个记录被保存时，我应该能够从准备下一个记录中获得一些速度提升。
我尝试使用NuMap模块中的papy（我修改为使用Python 3）来做到这一点，但它并不快。事实上，它比顺序运行程序更糟糕; NuMap使用两个线程加上多个进程。
SQLite的批量导入功能可能不适合我的任务，因为数据需要大量处理和规范化。
我有大约85G的压缩文本要处理。我对其他数据库技术持开放态度，但选择SQLite是为了便于使用，因为这是一次写入多次读取的工作，在加载完所有内容后，只有3或4个人将使用生成的数据库。
由于处理速度很快，但写入速度很慢，听起来你的问题是I / O限制。因此，使用多处理可能没什么好处。
但是，有可能剥离data的块，处理块，并等到数据写入之后再剥离另一个块：
import itertools as IT
if __name__ == "__main__":
data = records(100)
with Pool(2) as pool:
chunksize = ...
for chunk in iter(lambda: list(IT.islice(data, chunksize)), []):
writer(pool.imap_unordered(process, chunk, chunksize=5))
当我正在处理同样的问题时，我认为防止池过载的有效方法是使用带有生成器的信号量：
from multiprocessing import Pool, Semaphore
def produce(semaphore, from_file):
with open(from_file) as reader:
for line in reader:
# Reduce Semaphore by 1 or wait if 0
semaphore.acquire()
# Now deliver an item to the caller (pool)
yield line
def process(item):
result = (first_function(item),
second_function(item),
third_function(item))
return result
def consume(semaphore, result):
database_con.cur.execute("INSERT INTO ResultTable VALUES (?,?,?)", result)
# Result is consumed, semaphore may now be increased by 1
semaphore.release()
def main()
global database_con
semaphore_1 = Semaphore(1024)
with Pool(2) as pool:
for result in pool.imap_unordered(process, produce(semaphore_1, "workfile.txt"), chunksize=128):
consume(semaphore_1, result)
也可以看看：
听起来你真正需要的是用有界（和阻塞）队列替换Pool下面的无界队列。这样一来，如果任何一方领先于其他方面，它就会阻止它们准备就绪。
这可以通过偷看the source，子类或monkeypatch Pool来实现，例如：
class Pool(multiprocessing.pool.Pool):
def _setup_queues(self):
self._inqueue = self._ctx.Queue(5)
self._outqueue = self._ctx.Queue(5)
self._quick_put = self._inqueue._writer.send
self._quick_get = self._outqueue._reader.recv
self._taskqueue = queue.Queue(10)
但这显然不可移植（即使是CPython 3.3，更不用说不同的Python 3实现）。
我认为你可以通过提供定制的context在3.4+中进行移植，但是我无法做到这一点，所以...
一个简单的解决方法可能是使用psutil来检测每个进程中的内存使用情况，并说出是否占用了超过90％的内存，而不是只是休眠一段时间。
while psutil.virtual_memory().percent > 75:
time.sleep(1)
print ("process paused for 1 seconds!")