在 Python 多处理中将 Pool.map 与共享内存数组结合起来

Question

我有一个非常大的（只读）数据数组，希望由多个进程并行处理。

我喜欢 Pool.map 函数，并希望使用它来并行计算该数据上的函数。

我看到可以使用Value 或Array 类在进程之间使用共享内存数据。但是当我尝试使用它时，我会在使用 Pool.map 函数时得到一个RuntimeError: 'SynchronizedString objects should only be shared between processes through inheritance：

这是我正在尝试做的一个简化示例：

from sys import stdin
from multiprocessing import Pool, Array

def count_it( arr, key ):
  count = 0
  for c in arr:
    if c == key:
      count += 1
  return count

if __name__ == '__main__':
  testData = "abcabcs bsdfsdf gdfg dffdgdfg sdfsdfsd sdfdsfsdf"
  # want to share it using shared memory
  toShare = Array('c', testData)

  # this works
  print count_it( toShare, "a" )

  pool = Pool()

  # RuntimeError here
  print pool.map( count_it, [(toShare,key) for key in ["a", "b", "s", "d"]] )

谁能告诉我我在这里做错了什么？

所以我想做的是在进程池中创建进程后将有关新创建的共享内存分配数组的信息传递给进程。

Answer 1

如果你看到：

RuntimeError: 同步对象只能通过继承在进程之间共享

考虑使用multiprocessing.Manager，因为它没有这个限制。经理工作时认为它可能完全在一个单独的进程中运行。

import ctypes
import multiprocessing

# Put this in a method or function, otherwise it will run on import from each module:
manager = multiprocessing.Manager()
counter = manager.Value(ctypes.c_ulonglong, 0)
counter_lock = manager.Lock()  # pylint: disable=no-member

with counter_lock:
    counter.value = count = counter.value + 1

Answer 2

刚看到赏金就再试一次；）

基本上我认为错误消息的意思是它所说的 - 多处理共享内存数组不能作为参数传递（通过酸洗）。序列化数据没有意义——关键是数据是共享内存。所以你必须使共享数组成为全局的。我认为将它作为模块的属性更简洁，就像在我的第一个答案中一样，但是在您的示例中将其作为全局变量也可以很好地工作。考虑到您不想在分叉之前设置数据的观点，这是一个修改后的示例。如果您想拥有多个可能的共享数组（这就是您想将 toShare 作为参数传递的原因），您可以类似地创建一个共享数组的全局列表，并将索引传递给 count_it（将变为 for c in toShare[i]:） .

from sys import stdin
from multiprocessing import Pool, Array, Process

def count_it( key ):
  count = 0
  for c in toShare:
    if c == key:
      count += 1
  return count

if __name__ == '__main__':
  # allocate shared array - want lock=False in this case since we 
  # aren't writing to it and want to allow multiple processes to access
  # at the same time - I think with lock=True there would be little or 
  # no speedup
  maxLength = 50
  toShare = Array('c', maxLength, lock=False)

  # fork
  pool = Pool()

  # can set data after fork
  testData = "abcabcs bsdfsdf gdfg dffdgdfg sdfsdfsd sdfdsfsdf"
  if len(testData) > maxLength:
      raise ValueError, "Shared array too small to hold data"
  toShare[:len(testData)] = testData

  print pool.map( count_it, ["a", "b", "s", "d"] )

[编辑：由于不使用 fork，以上内容在 Windows 上不起作用。但是，以下在 Windows 上确实有效，仍然使用 Pool，所以我认为这是最接近您想要的：

from sys import stdin
from multiprocessing import Pool, Array, Process
import mymodule

def count_it( key ):
  count = 0
  for c in mymodule.toShare:
    if c == key:
      count += 1
  return count

def initProcess(share):
  mymodule.toShare = share

if __name__ == '__main__':
  # allocate shared array - want lock=False in this case since we 
  # aren't writing to it and want to allow multiple processes to access
  # at the same time - I think with lock=True there would be little or 
  # no speedup
  maxLength = 50
  toShare = Array('c', maxLength, lock=False)

  # fork
  pool = Pool(initializer=initProcess,initargs=(toShare,))

  # can set data after fork
  testData = "abcabcs bsdfsdf gdfg dffdgdfg sdfsdfsd sdfdsfsdf"
  if len(testData) > maxLength:
      raise ValueError, "Shared array too small to hold data"
  toShare[:len(testData)] = testData

  print pool.map( count_it, ["a", "b", "s", "d"] )

不知道为什么 map 不会 Pickle 数组，但 Process 和 Pool 会 - 我想它可能已经在 windows 上的子进程初始化时转移了。请注意，数据仍然是在 fork 之后设置的。

Answer 3

我看到的问题是 Pool 不支持通过其参数列表酸洗共享数据。这就是错误消息的含义，即“对象只能通过继承在进程之间共享”。共享数据需要被继承，即如果你想使用 Pool 类共享它是全局的。

如果您需要显式传递它们，您可能必须使用 multiprocessing.Process。这是您修改后的示例：

from multiprocessing import Process, Array, Queue

def count_it( q, arr, key ):
  count = 0
  for c in arr:
    if c == key:
      count += 1
  q.put((key, count))

if __name__ == '__main__':
  testData = "abcabcs bsdfsdf gdfg dffdgdfg sdfsdfsd sdfdsfsdf"
  # want to share it using shared memory
  toShare = Array('c', testData)

  q = Queue()
  keys = ['a', 'b', 's', 'd']
  workers = [Process(target=count_it, args = (q, toShare, key))
    for key in keys]

  for p in workers:
    p.start()
  for p in workers:
    p.join()
  while not q.empty():
    print q.get(),

输出：('s', 9) ('a', 2) ('b', 3) ('d', 12)

队列元素的顺序可能会有所不同。

为了使其更通用并类似于 Pool，您可以创建固定的 N 个进程，将键列表拆分为 N 个片段，然后使用包装函数作为 Process 目标，它将为每个键调用 count_it在传递的列表中，例如：

def wrapper( q, arr, keys ):
  for k in keys:
    count_it(q, arr, k)

Answer 4

如果数据是只读的，只需将其作为模块中的变量在来自 Pool 的 fork 之前。那么所有的子进程都应该可以访问它，只要你不写它就不会被复制。

import myglobals # anything (empty .py file)
myglobals.data = []

def count_it( key ):
    count = 0
    for c in myglobals.data:
        if c == key:
            count += 1
    return count

if __name__ == '__main__':
myglobals.data = "abcabcs bsdfsdf gdfg dffdgdfg sdfsdfsd sdfdsfsdf"

pool = Pool()
print pool.map( count_it, ["a", "b", "s", "d"] )

如果您确实想尝试使用 Array，尽管您可以尝试使用 lock=False 关键字参数（默认情况下为 true）。