Python 3-如何正确设置此多处理作业?
我有一个大约10000行的文件,每行代表下载作业的参数。我有5个自定义下载程序。每个作业可能需要5秒到2分钟的时间。如果下载程序当前不工作,如何创建遍历10000行的内容,将每个作业分配给下载程序 编辑: 对我来说,困难的部分是每个Python 3-如何正确设置此多处理作业?,python,python-3.x,parallel-processing,multiprocessing,Python,Python 3.x,Parallel Processing,Multiprocessing,我有一个大约10000行的文件,每行代表下载作业的参数。我有5个自定义下载程序。每个作业可能需要5秒到2分钟的时间。如果下载程序当前不工作,如何创建遍历10000行的内容,将每个作业分配给下载程序 编辑: 对我来说,困难的部分是每个Downloader都是一个类的实例,而实例之间的差异是我在实例化5个Downloader对象时指定的端口号。所以我有a=Downloader(端口号=7751)。。。e=下载器(端口号=7755)。然后,如果我使用下载程序,我会执行a.run(row) 我如何将wo
Downloader
都是一个类的实例,而实例之间的差异是我在实例化5个Downloader
对象时指定的端口号。所以我有a=Downloader(端口号=7751)。。。e=下载器(端口号=7755)
。然后,如果我使用下载程序
,我会执行a.run(row)
我如何将worker定义为这些
a、b、c、d、e
,而不是下载函数?有很多方法可以做到这一点-最简单的方法就是使用多处理。Pool
并让它为您组织worker-10k行并不多,假设一个平均URL的长度甚至是一个完整的KB,它仍然只需要10MB的内存,而且内存很便宜
因此,只需读取内存中的文件并将其映射到multiprocessing.Pool
即可:
from multiprocessing import Pool
def downloader(param): # our downloader process
# download code here
# param will hold a line from your file (including newline at the end, strip before use)
# e.g. res = requests.get(param.strip())
return True # lets provide some response back
if __name__ == "__main__": # important protection for cross-platform use
with open("your_file.dat", "r") as f: # open your file
download_jobs = f.readlines() # store each line in a list
download_pool = Pool(processes=5) # make our pool use 5 processes
responses = download_pool.map(downloader, download_jobs) # map our data, line by line
download_pool.close() # lets exit cleanly
# you can check the responses for each line in the `responses` list
如果需要共享内存,您还可以使用线程
而不是多处理
(或多处理.pool.ThreadPool
作为替代品)在单个进程内完成所有操作。一个线程对于下载来说已经足够了,除非你在做额外的处理
更新
如果希望下载程序作为类实例运行,可以将downloader
函数转换为downloader
实例的工厂,然后将实例化这些实例所需的内容与URL一起传递。下面是一个简单的循环方法:
from itertools import cycle
from multiprocessing import Pool
class Downloader(object):
def __init__(self, port_number=8080):
self.port_number = port_number
def run(self, url):
print("Downloading {} on port {}".format(url, self.port_number))
def init_downloader(params): # our downloader initializator
downloader = Downloader(**params[0]) # instantiate our downloader
downloader.run(params[1]) # run our downloader
return True # you can provide your
if __name__ == "__main__": # important protection for cross-platform use
downloader_params = [ # Downloaders will be initialized using these params
{"port_number": 7751},
{"port_number": 7851},
{"port_number": 7951}
]
downloader_cycle = cycle(downloader_params) # use cycle for round-robin distribution
with open("your_file.dat", "r") as f: # open your file
# read our file line by line and attach downloader params to it
download_jobs = [[next(downloader_cycle), row.strip()] for row in f]
download_pool = Pool(processes=5) # make our pool use 5 processes
responses = download_pool.map(init_downloader, download_jobs) # map our data
download_pool.close() # lets exit cleanly
# you can check the responses for each line in the `responses` list
请记住,这并不是最平衡的解决方案,因为它可能恰好有两个Downloader
实例运行相同的端口,但它将平均处理足够大的数据
如果要确保没有两个Downloader
实例运行在同一个端口上,则需要构建自己的池,或者需要创建一个中心进程,在Downloader
实例需要端口时向其发出端口。将10000行读取到字符串列表中
with open('foo.dat') as f:
data = f.readlines()
假设数据不包括端口号,并且编辑的问题提到5个端口,则应将其添加到数据中
data = [(p, d) for p, d in zip(itertools.cycle([7751, 7752, 7753, 7754, 7755]), data)]
编写一个函数,将其中一个元组作为参数,拆分它,创建一个Downloader对象并运行它
def worker(target):
port, params = target
d = Downloader(port_number=port)
d.run(params)
return params # for lack of more information.
使用多处理.Pool
的方法,将您定义的函数和元组列表作为参数提供给它
imap\u unordered
返回的迭代器将在结果可用时立即开始生成结果。您可以打印它们以显示进度
p = multiprocessing.Pool()
for params in p.imap_unordered(worker, data):
print('Finished downloading', params)
编辑
注意:如果您将要使用的下载程序对象的唯一方法是run()
,那么它不应该是对象。这是一个伪装的功能!在Youtube上查找“停止编写类”视频并观看。因此每个下载程序都是一个类的实例,而实例之间的差异是在实例化5个下载程序对象时指定的端口号。所以我有a=Downloader(端口号=7751)。。。e=下载器(端口号=7755)
。然后,如果我使用下载程序
,我会执行a.run(row)
。你能建议一种方法将我的工作人员定义为这些a、b、c、d、e
,而不是示例中的downloader
函数吗?@user1367204-你应该在最初的问题中指定这一点。多处理类和预初始化类不是朋友(请检查)-问题是您的“Downloader”类将在主进程中实例化,当您生成新进程时,它将无权访问它。@user1367204-实例化这些“Downloader”类是一项昂贵的操作吗?i、 我们可以在开始下载时重新实例化一个新的吗(当然,仍然要考虑端口号)?在这种情况下,重新实例化没有问题。