使用带有 multiprocessing.Pool 的锁时遇到问题：酸洗错误

Question

我正在构建一个 python 模块来从大型文本语料库中提取标签，虽然它的结果质量很高，但它的执行速度非常慢。我试图通过使用多处理来加速这个过程，这也很有效，直到我尝试引入一个锁，以便一次只有一个进程连接到我们的数据库。我一生都无法弄清楚如何完成这项工作-尽管进行了很多搜索和调整，但我仍然收到PicklingError: Can't pickle <type 'thread.lock'>: attribute lookup thread.lock failed。这是有问题的代码 - 在我尝试将锁定对象作为 f 的参数传递之前，它运行良好。

def make_network(initial_tag, max_tags = 2, max_iter = 3):
    manager = Manager()
    lock = manager.Lock()
    pool = manager.Pool(8)

    # this is a very expensive function that I would like to parallelize 
    # over a list of tags. It involves a (relatively cheap) call to an external
    # database, which needs a lock to avoid simultaneous queries. It takes a list
    # of strings (tags) as its sole argument, and returns a list of sets with entries
    # corresponding to the input list.
    f = partial(get_more_tags, max_tags = max_tags, lock = lock) 

    def _recursively_find_more_tags(tags, level):
        if level >= max_iter:
            raise StopIteration
        new_tags = pool.map(f, tags)
        to_search = []
        for i, s in zip(tags, new_tags):
            for t in s:
                joined = ' '.join(t)
                print i + "|" + joined
                to_search.append(joined)
        try:
            return _recursively_find_more_tags(to_search, level+1)
        except StopIteration:
            return None

    _recursively_find_more_tags([initial_tag], 0)

Answer 1

您的问题是锁定对象不可提取。在这种情况下，我可以为您看到两种可能的解决方案。

• 为避免这种情况，您可以将锁变量设为全局变量。然后，您将能够在池进程函数中直接将其作为全局变量引用，而不必将其作为参数传递给池进程函数。这是因为 Python 在创建池进程时使用OS fork 机制，因此将创建池进程的进程的全部内容复制到它们。这是将锁传递给使用 multiprocessing 包创建的 Python 进程的唯一方法。顺便说一句，没有必要只为这个锁使用Manager 类。通过此更改，您的代码将如下所示：

  import multiprocessing
  from functools import partial
  
  lock = None  # Global definition of lock
  pool = None  # Global definition of pool
  
  
  def make_network(initial_tag, max_tags=2, max_iter=3):
      global lock
      global pool
      lock = multiprocessing.Lock()
      pool = multiprocessing.Pool(8)
  
  
  def get_more_tags():
      global lock
      pass
  
  
  # this is a very expensive function that I would like to parallelize
  # over a list of tags. It involves a (relatively cheap) call to an external
  # database, which needs a lock to avoid simultaneous queries. It takes a
  # list of strings (tags) as its sole argument, and returns a list of sets
  # with entries corresponding to the input list.
  f = partial(get_more_tags, max_tags=max_tags) 
  
  def _recursively_find_more_tags(tags, level):
      global pool
      if level >= max_iter:
          raise StopIteration
      new_tags = pool.map(f, tags)
      to_search = []
      for i, s in zip(tags, new_tags):
          for t in s:
              joined = ' '.join(t)
              print(i + "|" + joined)
              to_search.append(joined)
      try:
          return _recursively_find_more_tags(to_search, level + 1)
      except StopIteration:
          return None
  
  _recursively_find_more_tags([initial_tag], 0)
  

在您的真实代码中，锁和池变量可能是类实例变量。

• 第二种完全避免使用锁但开销可能略高的解决方案是使用multiprocessing.Process 创建另一个进程，并通过multiprocessing.Queue 将其连接到每个池进程。此过程将负责运行您的数据库查询。您将使用队列来允许池进程将参数发送到管理数据库查询的进程。由于所有池进程将使用相同的队列，因此对数据库的访问将自动序列化。额外的开销将来自数据库查询参数和查询响应的酸洗/取消酸洗。请注意，您可以将 multiprocessing.Queue 对象作为参数传递给池进程。另请注意，基于multiprocessing.Lock 的解决方案不适用于Windows，其中进程不是使用fork 语义创建的。