如何解决资源有限的 Python 多处理 问题说明问题:我的尝试
问题说明
我目前正在构建一个包含三个任务的交换抓取器,每个任务都独立运行process
:
-
#1:接收实时网络馈送:非常快的数据传入,立即放入
multiprocessing
队列并继续。 - #2:使用队列数据并优化:使用我编写的一些逻辑来使用和优化它。慢但不是太慢,最终在数据进入缓慢时赶上并清除队列。
-
#3:使用
bz2
压缩提要并上传到我的 s3 存储桶:每小时,我都会压缩优化的数据(以进一步减小文件大小),然后上传到我的 s3桶。这在我的机器上大约需要 10-20 秒。
我遇到的问题是这些任务中的每一个都需要自己的并行 process
。生产者 (#1) 不能进行优化 (#2),否则它会停止馈送连接并且网站会杀死我的套接字,因为线程 #1 没有响应。上传器 (#3) 不能与任务 #2 在同一进程上运行,否则我会填满队列,我永远赶不上。我试过这个:不起作用。
这个刮刀在我的本地机器上工作得很好,每个任务都有自己的进程。但是我真的不想在一个3核机器上花很多钱,当它部署在服务器上时。我发现 Digital Ocean 的 4vCPU 选项最便宜,每月 40 美元。但我想知道是否有比支付 4 核更好的方法。
需要注意的一些事情:在我的基础 16" MBP 上,任务 #1 使用 99% 的 CPU,任务 #2 使用 20-30% 的 CPU,任务 #3 休眠到小时,所以它主要使用 0.5 -1% CPU。
问题:
-
如果我在一台 2 核机器上运行三个进程,这与运行两个进程是否有效相同?我知道它 depends on system scheduling,但这是否意味着它会在压缩时停止,或者一直移动直到压缩结束?启动(并支付)一个每小时仅使用一次的全新核心似乎真的很浪费。但是这个每小时的任务让整个队列停顿太多,我不知道如何解决这个问题。
-
在我在同一个进程/核心上压缩我的文件时,我是否可以继续任务#2?
-
如果我运行一个 bash 脚本来进行压缩,那仍然会使软件停止吗?我的电脑是 6 核,所以我不能真正在本地测试服务器的约束
-
是否有比 DigitalOcean 更便宜的替代品?老实说,我对 AWS 感到害怕,因为我听说过人们因意外使用而收到 1,000 美元账单的恐怖故事。我更喜欢像 DigitalOcean 这样更可预测的东西
我的尝试
如前所述,我尝试在同一进程中组合 Task#2 和 Task#3。一旦压缩开始,它就会停止。压缩是同步的,并使用 the code from this thread 完成。找不到异步 bz2 压缩,但我不确定这是否有助于不拖延 Task#2。
PS:我真的试图避免带着这样的悬而未决的问题来到 StackOverflow,因为我知道这些问题得到了不好的反馈,但替代方案是尝试并投入大量时间+金钱说实话,我对云计算了解不多。我更喜欢一些专家的意见
解决方法
要点#1:
您将遇到的所有操作系统都使用抢占式调度来在进程之间切换。这应该保证每个进程在任何远程现代硬件上至少每秒恢复几次(只要进程使用 cpu,而不是等待像文件或套接字 io 这样的中断)。基本上,在 2 核 CPU 上运行数百个进程根本不是问题。如果总负载太多,一切都会运行得更慢,但不会完全停顿。
要点#2:
多线程?您可能会发现压缩/存储受到更多的 IO 限制,因此这里的线程可能没问题。由于子线程可以完全访问父线程的内存空间,因此您甚至可能会看到减少进程之间传输数据的开销(取决于您当前的执行方式)带来的好处。
要点#3:
shell 脚本只是另一个进程,所以回答 #1 并没有太大区别。但是,请对此进行测试,因为 python bzip 很可能比 shell bzip 慢得多(取决于您提供数据的方式,以及它试图将数据放在哪里)...
要点 #4:
绝对不是 S.O. 的合适问题
我的建议:
分析您的代码... 使摄取过程尽可能高效,并在进程之间发送尽可能少的数据。仅从套接字读取数据并将其发送以进行处理的进程应该占用最少的 CPU。默认的 multiprocessing.Queue
不是非常有效,因为它腌制数据,通过管道发送,然后在另一端取消腌制。如果您的数据可以分成固定大小的块,请考虑使用几个 multiprocessing.shared_memory.SharedMemory
缓冲区在它们之间进行交换。分块数据流还可以更轻松地并行化数据消费阶段,从而更好地利用您拥有的任何 CPU 资源。
编辑:通过共享内存发送数据块的伪代码示例
import multiprocessing as mp
from contextlib import contextmanager
from collections import namedtuple
from ctypes import c_int8
import socket
import time
STALE_DATA = 0 #data waiting to be overwritten
NEW_DATA = 1 #data waiting to be processed
def producer_func(buffers):
shm_objects = {}
for buffer in buffers:
shm_objects[buffer.shm_name] = mp.shared_memory.SharedMemory(name=buffer.shm_name,create=False)
#buffer.state.value = 0 #value was initialized as stale at creation (data waiting to be overwritten)
with socket.create_connection(...) as s: #however you're reading data
while True: #for each chunk of data
while True: #until we get an open buffer
for buffer in buffers: #check each buffer object
#if buffer isn't being processed right now,and data has already been processed
if buffer.lock.acquire(False):
if buffer.state.value==STALE_DATA:
shm = shm_objects[buffer.shm_name]
break #break out of two loops
else:
buffer.lock.release()
else:
continue
break
s.recv_into(shm.buf) #put the data in the buffer
buffer.state.value = NEW_DATA #flag the data as new
buffer.lock.release() #release the buffer to be processed
#when you receive some sort of shutdown signal:
for shm in shm_objects:
shm.close()
def consumer_func(buffers):
shm_objects = {}
for buffer in buffers:
shm_objects[buffer.shm_name] = mp.shared_memory.SharedMemory(name=buffer.shm_name,create=False)
#buffer.state.value = 0 #value was initialized as stale at creation (data waiting to be overwritten)
while True: #for each chunk of data
while True: #until we get a buffer of data waiting to be processed
for buffer in buffers:
#if buffer isn't being processed right now,and data hasn't already been processed
if buffer.lock.acquire(False):
if buffer.state.value==NEW_DATA:
shm = shm_objects[buffer.shm_name]
break #break out of two loops
else:
buffer.lock.release()
else:
continue
break
process_the_data(shm.buf) #do your data reduction here
buffer.state.value = STALE_DATA
buffer.lock.release()
#when you receive some sort of shutdown signal:
for shm in shm_objects:
shm.close()
Buffer = namedtuple("Buffer",['shm_name','lock','state'])
if __name__ == "__main__":
n_buffers = 4 # 4 buffers to swap between
#each buffer should be bigger than you will ever expect a message to be.
#using larger chunks is better for overhead (don't be processing chunks of less than a couple Kib at a time)
shm_objects = [mp.shared_memory.SharedMemory(create=True,size=2**20) for _ in range(n_buffers)] # 1MiB buffers
buffers = [Buffer(shm.name,mp.Lock(),mp.Value(c_int8,0)) for shm in shm_objects] #building args for our processes
producer = mp.Process(target=producer_func,args=(buffers,))
consumer = mp.Process(target=consumer_func,))
consumer.start()
producer.start()
while True:
try:
time.sleep(1)
except KeyboardInterrupt:
break
#signal child processes to close somehow
#cleanup
producer.join()
consumer.join()
for shm in shm_objects:
shm.close()
shm.unlink()
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。