使用多处理将数据写入 hdf 文件

Question

这似乎是一个简单的问题，但我无法理解它。

我有一个模拟，它在双 for 循环中运行并将结果写入 HDF 文件。该程序的简单版本如下所示：

import tables as pt

a = range(10)
b = range(5)

def Simulation():
    hdf = pt.openFile('simulation.h5',mode='w')
    for ii in a:
        print(ii)
        hdf.createGroup('/','A%s'%ii)
        for i in b:
            hdf.createArray('/A%s'%ii,'B%s'%i,[ii,i])
        hdf.close()
    return
Simulation()

此代码完全符合我的要求，但由于该过程可能需要很长时间才能运行，因此我尝试使用多处理模块并使用以下代码：

import multiprocessing
import tables as pt

a = range(10)
b = range(5)

def Simulation(ii):
    hdf = pt.openFile('simulation.h5',mode='w')
    print(ii)
        hdf.createGroup('/','A%s'%ii)
        for i in b:
            hdf.createArray('/A%s'%ii,'B%s'%i,[ii,i])
        hdf.close()
    return

if __name__ == '__main__':
    jobs = []
    for ii in a:
        p = multiprocessing.Process(target=Simulation, args=(ii,))
        jobs.append(p)       
        p.start()

然而，这只会将最后一次模拟打印到 HDF 文件中，不知何故它会覆盖所有其他组。

Answer 1

每次以写入 (w) 模式打开文件时，都会创建一个新文件——因此，如果文件内容已经存在，则会丢失该文件的内容。只有最后一个文件句柄才能成功写入文件。即使您将其更改为附加模式，您也不应该尝试从多个进程写入同一个文件——如果两个进程同时尝试写入，输出将会出现乱码。

相反，让所有工作进程将输出放入队列中，并让单个专用进程（子进程或主进程）处理队列的输出并写入文件：

---

import multiprocessing as mp
import tables as pt


num_arrays = 100
num_processes = mp.cpu_count()
num_simulations = 1000
sentinel = None


def Simulation(inqueue, output):
    for ii in iter(inqueue.get, sentinel):
        output.put(('createGroup', ('/', 'A%s' % ii)))
        for i in range(num_arrays):
            output.put(('createArray', ('/A%s' % ii, 'B%s' % i, [ii, i])))


def handle_output(output):
    hdf = pt.openFile('simulation.h5', mode='w')
    while True:
        args = output.get()
        if args:
            method, args = args
            getattr(hdf, method)(*args)
        else:
            break
    hdf.close()

if __name__ == '__main__':
    output = mp.Queue()
    inqueue = mp.Queue()
    jobs = []
    proc = mp.Process(target=handle_output, args=(output, ))
    proc.start()
    for i in range(num_processes):
        p = mp.Process(target=Simulation, args=(inqueue, output))
        jobs.append(p)
        p.start()
    for i in range(num_simulations):
        inqueue.put(i)
    for i in range(num_processes):
        # Send the sentinal to tell Simulation to end
        inqueue.put(sentinel)
    for p in jobs:
        p.join()
    output.put(None)
    proc.join()

---

为了比较，这里有一个使用mp.Pool的版本：

import multiprocessing as mp
import tables as pt


num_arrays = 100
num_processes = mp.cpu_count()
num_simulations = 1000


def Simulation(ii):
    result = []
    result.append(('createGroup', ('/', 'A%s' % ii)))
    for i in range(num_arrays):
        result.append(('createArray', ('/A%s' % ii, 'B%s' % i, [ii, i])))
    return result


def handle_output(result):
    hdf = pt.openFile('simulation.h5', mode='a')
    for args in result:
        method, args = args
        getattr(hdf, method)(*args)
    hdf.close()


if __name__ == '__main__':
    # clear the file
    hdf = pt.openFile('simulation.h5', mode='w')
    hdf.close()
    pool = mp.Pool(num_processes)
    for i in range(num_simulations):
        pool.apply_async(Simulation, (i, ), callback=handle_output)
    pool.close()
    pool.join()

看起来更简单不是吗？然而，有一个显着的区别。原始代码使用output.put 将参数发送到handle_output，handle_output 在其自己的子进程中运行。 handle_output 将从output 队列中取出args 并立即处理它们。使用上面的池代码，Simulation 在result 中积累了一大堆args，并且result 在Simulation 返回之前不会发送到handle_output。

如果Simulation 需要很长时间，则将有很长的等待时间，而simulation.h5 没有写入任何内容。