使用 python 的多处理池和映射功能测量进度

Question

以下我用于并行 csv 处理的代码：

#!/usr/bin/env python

import csv
from time import sleep
from multiprocessing import Pool
from multiprocessing import cpu_count
from multiprocessing import current_process
from pprint import pprint as pp

def init_worker(x):
  sleep(.5)
  print "(%s,%s)" % (x[0],x[1])
  x.append(int(x[0])**2)
  return x

def parallel_csv_processing(inputFile, outputFile, header=["Default", "header", "please", "change"], separator=",", skipRows = 0, cpuCount = 1):
  # OPEN FH FOR READING INPUT FILE
  inputFH   = open(inputFile,  "rt")
  csvReader = csv.reader(inputFH, delimiter=separator)

  # SKIP HEADERS
  for skip in xrange(skipRows):
    csvReader.next()

  # PARALLELIZE COMPUTING INTENSIVE OPERATIONS - CALL FUNCTION HERE
  try:
    p = Pool(processes = cpuCount)
    results = p.map(init_worker, csvReader, chunksize = 10)
    p.close()
    p.join()
  except KeyboardInterrupt:
    p.close()
    p.join()
    p.terminate()

  # CLOSE FH FOR READING INPUT
  inputFH.close()

  # OPEN FH FOR WRITING OUTPUT FILE
  outputFH  = open(outputFile, "wt")
  csvWriter = csv.writer(outputFH, lineterminator='\n')

  # WRITE HEADER TO OUTPUT FILE
  csvWriter.writerow(header)

  # WRITE RESULTS TO OUTPUT FILE
  [csvWriter.writerow(row) for row in results]

  # CLOSE FH FOR WRITING OUTPUT
  outputFH.close()

  print pp(results)
  # print len(results)

def main():
  inputFile  = "input.csv"
  outputFile = "output.csv"
  parallel_csv_processing(inputFile, outputFile, cpuCount = cpu_count())

if __name__ == '__main__':
  main()

我想以某种方式衡量脚本的进度（只是纯文本而不是任何花哨的 ASCII 艺术）。我想到的一个选择是将init_worker 成功处理的行与 input.csv 中的所有行进行比较，并打印实际状态，例如每一秒，你能指点我正确的解决方案吗？我发现了几篇有类似问题的文章，但我无法使其适应我的需求，因为它们都没有使用 Pool 类和 map 方法。我还想问一下p.close(), p.join(), p.terminate() 方法，我主要在Process 而不是Pool 类中看到它们，Pool 类是否需要它们并且我是否正确使用它们？使用 p.terminate() 的目的是用 ctrl+c 杀死进程，但这是 different 的故事，还没有一个圆满的结局。谢谢。

PS：如果重要的话，我的 input.csv 看起来像这样：

0,0
1,3
2,6
3,9
...
...
48,144
49,147

PPS：正如我所说，我是multiprocessing 的新手，我编写的代码可以正常工作。我可以看到的一个缺点是整个 csv 都存储在内存中，所以如果你们有更好的想法，请不要犹豫分享它。

编辑

回复@J.F.Sebastian

这是根据您的建议我的实际代码：

#!/usr/bin/env python

import csv
from time import sleep
from multiprocessing import Pool
from multiprocessing import cpu_count
from multiprocessing import current_process
from pprint import pprint as pp
from tqdm import tqdm

def do_job(x):
  sleep(.5)
  # print "(%s,%s)" % (x[0],x[1])
  x.append(int(x[0])**2)
  return x

def parallel_csv_processing(inputFile, outputFile, header=["Default", "header", "please", "change"], separator=",", skipRows = 0, cpuCount = 1):

  # OPEN FH FOR READING INPUT FILE
  inputFH   = open(inputFile,  "rb")
  csvReader = csv.reader(inputFH, delimiter=separator)

  # SKIP HEADERS
  for skip in xrange(skipRows):
    csvReader.next()

  # OPEN FH FOR WRITING OUTPUT FILE
  outputFH  = open(outputFile, "wt")
  csvWriter = csv.writer(outputFH, lineterminator='\n')

  # WRITE HEADER TO OUTPUT FILE
  csvWriter.writerow(header)

  # PARALLELIZE COMPUTING INTENSIVE OPERATIONS - CALL FUNCTION HERE
  try:
    p = Pool(processes = cpuCount)
    # results = p.map(do_job, csvReader, chunksize = 10)
    for result in tqdm(p.imap_unordered(do_job, csvReader, chunksize=10)):
      csvWriter.writerow(result)
    p.close()
    p.join()
  except KeyboardInterrupt:
    p.close()
    p.join()

  # CLOSE FH FOR READING INPUT
  inputFH.close()

  # CLOSE FH FOR WRITING OUTPUT
  outputFH.close()

  print pp(result)
  # print len(result)

def main():
  inputFile  = "input.csv"
  outputFile = "output.csv"
  parallel_csv_processing(inputFile, outputFile, cpuCount = cpu_count())

if __name__ == '__main__':
  main()

这是tqdm的输出：

1 [elapsed: 00:05,  0.20 iters/sec]

这个输出是什么意思？在您提到的页面上，tqdm 在循环中使用如下方式：

>>> import time
>>> from tqdm import tqdm
>>> for i in tqdm(range(100)):
...     time.sleep(1)
... 
|###-------| 35/100  35% [elapsed: 00:35 left: 01:05,  1.00 iters/sec]

这个输出是有道理的，但我的输出是什么意思？此外，似乎 ctrl+c 问题没有得到解决：在点击 ctrl+c 脚本后会抛出一些 Traceback，如果我再次点击 ctrl+c，那么我会得到新的 Traceback，依此类推。杀死它的唯一方法是将其发送到后台 (ctr+z) 然后将其杀死 (kill %1)

Answer 1

要显示进度，请将pool.map 替换为pool.imap_unordered：

from tqdm import tqdm # $ pip install tqdm

for result in tqdm(pool.imap_unordered(init_worker, csvReader, chunksize=10)):
    csvWriter.writerow(result)

tqdm 部分是可选的，参见Text Progress Bar in the Console

意外地，它修复了您的“整个 csv 存储在内存中” 和“没有引发键盘中断”的问题。

这是一个完整的代码示例：

#!/usr/bin/env python
import itertools
import logging
import multiprocessing
import time

def compute(i):
    time.sleep(.5)
    return i**2

if __name__ == "__main__":
    logging.basicConfig(format="%(asctime)-15s %(levelname)s %(message)s",
                        datefmt="%F %T", level=logging.DEBUG)
    pool = multiprocessing.Pool()
    try:
        for square in pool.imap_unordered(compute, itertools.count(), chunksize=10):
            logging.debug(square) # report progress by printing the result
    except KeyboardInterrupt:
        logging.warning("got Ctrl+C")
    finally:
        pool.terminate()
        pool.join()

您应该每隔.5 * chunksize 秒看到一次批量输出。如果按Ctrl+C；您应该会在子进程和主进程中看到KeyboardInterrupt。在 Python 3 中，主进程立即退出。在 Python 2 中，KeyboardInterrupt 会延迟到应该打印下一批（Python 中的错误）。