Обработка одного файла из нескольких процессов

У меня есть один большой текстовый файл, в котором я хочу обработать каждую строку (выполнить некоторые операции) и сохранить их в базе данных. Поскольку одна простая программа занимает слишком много времени, я хочу, чтобы она выполнялась с помощью нескольких процессов или потоков. Каждый поток / процесс должен читать РАЗЛИЧНЫЕ данные (разные строки) из этого единственного файла и выполнять некоторые операции с их частями данных (строками) и помещать их в базу данных, чтобы в конечном итоге у меня были все обработанные данные и мои база данных выгружается с нужными мне данными.

Но я не могу понять, как к этому подойти.

То, что вы ищете, - это шаблон "производитель / потребитель".

Базовый пример потоковой передачи

Вот базовый пример использования модуля потоковой передачи (вместо многопроцессорной обработки)

import threading
import Queue
import sys

def do_work(in_queue, out_queue):
    while True:
        item = in_queue.get()
        # process
        result = item
        out_queue.put(result)
        in_queue.task_done()

if __name__ == "__main__":
    work = Queue.Queue()
    results = Queue.Queue()
    total = 20

    # start for workers
    for i in xrange(4):
        t = threading.Thread(target=do_work, args=(work, results))
        t.daemon = True
        t.start()

    # produce data
    for i in xrange(total):
        work.put(i)

    work.join()

    # get the results
    for i in xrange(total):
        print results.get()

    sys.exit()

Вы бы не стали делиться файловым объектом с потоками. Вы могли бы произвести для них работу, снабдив очередь строками данных. Затем каждый поток брал строку, обрабатывал ее и затем возвращал в очередь.

В модуль многопроцессорной обработки встроены некоторые более продвинутые средства для обмена данными, такие как списки и особый вид очереди . Есть компромиссы между использованием многопроцессорности и потоков, и это зависит от того, привязана ли ваша работа к процессору или к вводу-выводу.

Базовая многопроцессорная обработка. Пример пула

Вот действительно простой пример многопроцессорного пула

from multiprocessing import Pool

def process_line(line):
    return "FOO: %s" % line

if __name__ == "__main__":
    pool = Pool(4)
    with open('file.txt') as source_file:
        # chunk the work into batches of 4 lines at a time
        results = pool.map(process_line, source_file, 4)

    print results

Пул - это удобный объект, который управляет собственными процессами. Поскольку открытый файл может перебирать свои строки, вы можете передать его объекту pool.map(), который выполнит цикл и доставит строки в рабочую функцию. Карта блокирует и возвращает весь результат, когда он готов. Имейте в виду, что это слишком упрощенный пример, и что pool.map()он будет читать весь ваш файл в память сразу перед отправкой работы. Помните об этом, если вы ожидаете иметь большие файлы. Существуют более продвинутые способы создания настройки производителя / потребителя.

Ручной "пул" с пересортировкой лимита и строк

Это ручной пример Pool.map , но вместо того, чтобы использовать всю итерацию за один раз, вы можете установить размер очереди, чтобы вы загружали ее по частям так быстро, как она может обрабатывать. Я также добавил номера строк, чтобы вы могли отслеживать их и ссылаться на них, если хотите, позже.

from multiprocessing import Process, Manager
import time
import itertools 

def do_work(in_queue, out_list):
    while True:
        item = in_queue.get()
        line_no, line = item

        # exit signal 
        if line == None:
            return

        # fake work
        time.sleep(.5)
        result = (line_no, line)

        out_list.append(result)


if __name__ == "__main__":
    num_workers = 4

    manager = Manager()
    results = manager.list()
    work = manager.Queue(num_workers)

    # start for workers    
    pool = []
    for i in xrange(num_workers):
        p = Process(target=do_work, args=(work, results))
        p.start()
        pool.append(p)

    # produce data
    with open("source.txt") as f:
        iters = itertools.chain(f, (None,)*num_workers)
        for num_and_line in enumerate(iters):
            work.put(num_and_line)

    for p in pool:
        p.join()

    # get the results
    # example:  [(1, "foo"), (10, "bar"), (0, "start")]
    print sorted(results)

Вот действительно глупый пример, который я придумал:

import os.path
import multiprocessing

def newlinebefore(f,n):
    f.seek(n)
    c=f.read(1)
    while c!='\n' and n > 0:
        n-=1
        f.seek(n)
        c=f.read(1)

    f.seek(n)
    return n

filename='gpdata.dat'  #your filename goes here.
fsize=os.path.getsize(filename) #size of file (in bytes)

#break the file into 20 chunks for processing.
nchunks=20
initial_chunks=range(1,fsize,fsize/nchunks)

#You could also do something like:
#initial_chunks=range(1,fsize,max_chunk_size_in_bytes) #this should work too.


with open(filename,'r') as f:
    start_byte=sorted(set([newlinebefore(f,i) for i in initial_chunks]))

end_byte=[i-1 for i in start_byte] [1:] + [None]

def process_piece(filename,start,end):
    with open(filename,'r') as f:
        f.seek(start+1)
        if(end is None):
            text=f.read()
        else: 
            nbytes=end-start+1
            text=f.read(nbytes)

    # process text here. createing some object to be returned
    # You could wrap text into a StringIO object if you want to be able to
    # read from it the way you would a file.

    returnobj=text
    return returnobj

def wrapper(args):
    return process_piece(*args)

filename_repeated=[filename]*len(start_byte)
args=zip(filename_repeated,start_byte,end_byte)

pool=multiprocessing.Pool(4)
result=pool.map(wrapper,args)

#Now take your results and write them to the database.
print "".join(result)  #I just print it to make sure I get my file back ...

Сложная часть здесь состоит в том, чтобы убедиться, что мы разбили файл на символы новой строки, чтобы вы не пропустили ни одной строки (или прочитали только частичные строки). Затем каждый процесс считывает свою часть файла и возвращает объект, который может быть помещен в базу данных основным потоком. Конечно, вам может даже понадобиться выполнять эту часть по частям, чтобы вам не приходилось хранить всю информацию в памяти сразу. (это довольно легко сделать - просто разделите список «args» на X фрагментов и вызовите pool.map(wrapper,chunk) - см. здесь )

хорошо разбить один большой файл на несколько файлов меньшего размера и обработать каждый из них в отдельных потоках.