在foreach R中使用列表

我正在尝试并行化提取一些html文档中保存的数据，并将其存储到data.frames中，以获取数百万个文档，因此并行化非常有用

在第一步中，在我注册队列的机器上，我选择html文件的一个子集，并向它们应用rvest包中的read_html函数，我还尝试了XML包中的类似函数，但我遇到了内存泄漏问题，无法获得存储许多html页面内容的唯一列表

然后我在这个列表上使用一个迭代器来获取较小的数据块，并将其反馈给foreach

在foreach中，我使用html_table函数和一些基本数据操作构建data.frames，并返回一个列表，其中的元素是清理后的data.frames

我尝试在Win8上使用doSNOW后端，在ubuntu 16.04上使用doRedis后端

在第一种情况下，返回空列表列表，而在第二种情况下，抛出内存映射错误；你可以在问题的最底层找到回溯

据我所知，我发送到核心的列表块的行为并不像我预期的那样。我已经收集到列表对象可能只是一组指针，但我无法确认它；也许这就是问题所在？ 是否有一种替代列表方式来封装多个html页面的数据

下面您可以找到一些重现该问题的代码。 我对堆栈溢出、并行编程和R编程都是一个全新的人：欢迎提出任何改进建议。 提前谢谢大家

library(rvest)
library(foreach)

#wikipedia pages of olympic medalist between 1992 and 2016 are
# downloaded for reproducibility
for(i in seq(1992, 2016, by=4)){

  html = paste("https://en.wikipedia.org/wiki/List_of_", i, "_Summer_Olympics_medal_winners", sep="")
  con = url(html)
  htmlCode = readLines(con)
  writeLines(htmlCode, con=paste(i, "medalists", sep="_"))
  close(con)

}

#declaring the redis backend (doSNOW code is also included below)

#note that I am using the package from 
#devtools::install_github("bwlewis/doRedis") due to a "nodelay error"
#(more info on that here: https://github.com/bwlewis/doRedis/issues/24)
# if it is not your case please drop the nodelay and timeout options

#Registering cores ---Ubuntu---
cores=2
library('doRedis')
options('redis:num'=TRUE)
registerDoRedis("jobs", nodelay=FALSE)
startLocalWorkers(n=cores, "jobs", timeout=2, nodelay=FALSE)
foreachOpt <- list(preschedule=FALSE)


#Registering cores ---Win---
#cores=2
#library("doSNOW")
#registerDoSNOW(makeCluster(cores, type = "SOCK"))


#defining the iterator
iterator <- function(x, ...) {
  i <- 1
  it <- idiv(length(x), ...)

  if(exists("chunks")){
    nextEl <- function() {
      n <- nextElem(it)
      ix <- seq(i, length=n)
      i <<- i + n
      x[ix]
    }
  }else{
    nextEl <- function() {
      n <- nextElem(it)
      ix <- seq(i, i+n-1)
      i <<- i + n
      x[ix]
    }
  }
  obj <- list(nextElem=nextEl)
  class(obj) <- c(
    'ivector', 'abstractiter','iter')
  obj
}

#reading files
names_files<-list.files()
html_list<-lapply(names_files, read_html)

#creating iterator
ChunkSize_html_list<-2
iter<-iterator(html_list, chunkSize=ChunkSize_html_list)

#defining expanding list (thanks StackOverflow and many thanks to
#JanKanis's answer : http://stackoverflow.com/questions/2436688/append-an-object-to-a-list-in-r-in-amortized-constant-time-o1  )
expanding_list <- function(capacity = 10) {
  buffer <- vector('list', capacity)
  length <- 0

  methods <- list()

  methods$double.size <- function() {
    buffer <<- c(buffer, vector('list', capacity))
    capacity <<- capacity * 2
  }

  methods$add <- function(val) {
    if(length == capacity) {
      methods$double.size()
    }

    length <<- length + 1
    buffer[[length]] <<- val
  }

  methods$as.list <- function() {
    b <- buffer[0:length]
    return(b)
  }

  methods
}

#parallelized part
clean_data<-foreach(ite=iter, .packages=c("itertools", "rvest"), .combine=c,
 .options.multicore=foreachOpt, .options.redis=list(chunkSize=1)) %dopar% {

  temp_tot <- expanding_list()
      for(g in 1:length(ite)){

        #extraction of data from tables
      tables <- html_table(ite[[g]], fill=T, header = T)

        for(i in 1:length(tables)){

          #just some basic data manipulation
          temp<-lapply(tables, function(d){d[nrow(d),]})
          temp_tot$add(temp)
          rm(temp)
          gc(verbose = F)
        }
      }
  #returning the list of cleaned data.frames to the foreach 
    temp_tot$as.list()
}

---

我认为问题在于，您正在通过调用read_HTML在master上创建XML/HTML文档对象，然后在worker上处理它们。我尝试了一些实验，但似乎不起作用，可能是因为这些对象无法序列化、发送到工作对象，然后再正确地反序列化。我认为对象已损坏，导致工作人员在尝试使用html_table函数对其进行操作时出错

我建议您修改代码以迭代文件名，这样工作人员就可以自己调用read_html，从而避免序列化XML文档对象

下面是我试验过的一些测试代码：

library(xml2)
library(snow)
cl <- makeSOCKcluster(3)
clusterEvalQ(cl, library(xml2))

# Create XML documents on the master
docs <- lapply(1:10,
      function(i) read_xml(paste0("<foo>", i, "</foo>")))

# Call xml_path on XML documents created on master
r1 <- lapply(docs, xml_path)            # correct results
r2 <- clusterApply(cl, docs, xml_path)  # incorrect results

# This seems to work...
docs2 <- clusterApply(cl, 1:10,
      function(i) read_xml(paste0("<foo>", i, "</foo>")))

# But this causes a segfault on the master
print(docs2)

---

我直接使用了snow函数来验证问题不在foreach或doSNOW中。

恭喜你提出了第一个问题，欢迎来到stackoverflow。我认为你在这里太聪明了。我看不出使用闭包的理由。你为什么需要这个扩展列表？显然，您知道列表需要有多大，所以只需使用vectormode=list，length=lengthtables预先分配它们即可。首先，为了澄清问题，temp_tot收集了所有表的最后一行，所有页面的i-loop，g-loop和每个页面的表的数量是未知的。我发现这可以通过c在g循环结束时解决，即使用您的代码在I循环中创建的列表。第二个反对意见，使我更喜欢expanding.list，是因为c-way的嵌套结构，第一个索引继承自g-index，第二个索引继承自i-index，expanding.list避免了这一点。Steve，非常感谢您的时间，您的回答确实是一个重大进步，我现在可以开始清理了。使用clusterApplycl，1:10，functioni html_tableread_xmlpase0，i，fill=T，将rvest导出到集群，将返回一个可访问的数据列表。frames！。我对你的doc2也有错误，也许是打印xml的问题？然而，在问题中，我通过阅读master来增加页面内容，以允许其他机器加入doRedis案例中的作业，同时，如果我错了，请纠正我，这是不可能与您的strategy@dgdi我认为将read_html函数从master移到workers并没有从根本上改变工作安排的方式，但也许我遗漏了一些东西。

library(xml2)
library(snow)
cl <- makeSOCKcluster(3)
clusterEvalQ(cl, library(xml2))

# Create XML documents on the master
docs <- lapply(1:10,
      function(i) read_xml(paste0("<foo>", i, "</foo>")))

# Call xml_path on XML documents created on master
r1 <- lapply(docs, xml_path)            # correct results
r2 <- clusterApply(cl, docs, xml_path)  # incorrect results

# This seems to work...
docs2 <- clusterApply(cl, 1:10,
      function(i) read_xml(paste0("<foo>", i, "</foo>")))

# But this causes a segfault on the master
print(docs2)