Twisted：等待子任务完成

Question

在我的代码中，我有两个假设的任务：一个从生成器获取 url 并使用 Twisted 的合作器批量下载它们，另一个获取下载的源并异步解析它。我正在尝试将所有获取和解析任务封装到单个 Deferred 对象中，该对象在下载所有页面并解析所有源时回调。

我想出了以下解决方案：

from twisted.internet import defer, task, reactor, threads
from twisted.web.client import getPage


BATCH_SIZE = 5

def main_task():
    result = defer.Deferred()
    state = {'count': 0, 'done': False}

    def on_parse_finish(r):
        state['count'] -= 1
        if state['done'] and state['count'] == 0:
            result.callback(True)

    def process(source):
        deferred = parse(source)
        state['count'] += 1
        deferred.addCallback(on_parse_finish)

    def fetch_urls():
        for url in get_urls():
            deferred = getPage(url)
            deferred.addCallback(process)
            yield deferred

    def on_finish(r):
        state['done'] = True

    deferreds = []

    coop = task.Cooperator()
    urls = fetch_urls()
    for _ in xrange(BATCH_SIZE):
        deferreds.append(coop.coiterate(urls))

    main_tasks = defer.DeferredList(deferreds)
    main_tasks.addCallback(on_finish)

    return defer.DeferredList([main_tasks, result])

# `main_task` is meant to be used with `blockingCallFromThread`
# The following should block until all fetch/parse tasks are completed:
# threads.blockingCallFromThread(reactor, main_task)

代码有效，但我觉得好像我遗漏了一些明显的东西，或者不知道一个简单的 Twisted 模式会使这变得更简单。有没有更好的方法来返回一个在所有获取和解析完成时回调的 Deferred？

Answer 1

按照目前的编写，在我看来，此代码的并行下载数量有限，但并行解析作业数量不受限制。这是故意的吗？我将假设“不”，因为如果您的网络碰巧很快而您的解析器碰巧很慢，因为 URL 的数量接近无穷大，那么您的内存使用量也是如此:)。

所以这是一个并行性有限但会随着下载顺序执行解析的东西，而不是：

from twisted.internet import defer, task
from twisted.web.client import getPage

BATCH_SIZE = 5

def main_task(reactor):
    def fetch_urls():
        for url in get_urls():
            yield getPage(url).addCallback(parse)

    coop = task.Cooperator()
    urls = fetch_urls()

    return (defer.DeferredList([coop.coiterate(urls)
                               for _ in xrange(BATCH_SIZE)])
            .addCallback(task_finished))

task.react(main_task)

这是因为parse（显然）返回一个Deferred，将其作为回调添加到getPage 返回的回调会导致Deferred 不会调用coiterate 添加的回调直到parse 完成其业务。

由于您询问的是惯用的 Twisted 代码，我还冒昧地对其进行了一些现代化改造（使用 task.react 而不是手动运行反应器，内联表达式以使事情更简洁等等）。

如果您确实希望获得比并行提取更多的并行解析，那么这样的方法可能会更好：

from twisted.internet import defer, task
from twisted.web.client import getPage

PARALLEL_FETCHES = 5
PARALLEL_PARSES = 10

def main_task(reactor):
    parseSemaphore = defer.DeferredSemaphore(PARALLEL_PARSES)

    def parseWhenReady(r):
        def parallelParse(_):
            parse(r).addBoth(
                lambda result: parseSemaphore.release().addCallback(
                    lambda _: result
                )
            )
        return parseSemaphore.acquire().addCallback(parallelParse)

    def fetch_urls():
        for url in get_urls():
            yield getPage(url).addCallback(parseWhenReady)

    coop = task.Cooperator()
    urls = fetch_urls()

    return (defer.DeferredList([coop.coiterate(urls)
                               for _ in xrange(PARALLEL_FETCHES)])
            .addCallback(lambda done:
                         defer.DeferredList(
                            [parseSemaphore.acquire()
                             for _ in xrange(PARALLEL_PARSES)]
                         ))
            .addCallback(task_finished))

task.react(main_task)

您可以看到parseWhenReady 返回从acquire 返回的Deferred，因此一旦并行解析可以开始，并行提取就会继续，因此您不会继续提取即使在解析器超载时也不加选择。但是，parallelParse 谨慎地避免返回由parse 或release 返回的Deferred，因为在这些过程中应该能够继续获取。

（请注意，由于您的初始示例无法运行，因此我根本没有测试过其中任何一个。希望即使存在错误，意图也很明确。）