gpt4 book ai didi

python - 使用多处理池读取 CSV 比 CSV 阅读器花费的时间更长

转载 作者:太空狗 更新时间:2023-10-30 02:17:41 25 4
gpt4 key购买 nike

根据我们客户的一个要求,我必须开发一个应用程序,它应该能够处理巨大的 CSV 文件。文件大小可能在 10 MB - 2GB 的范围内。

根据大小,模块决定是使用Multiprocessing pool 还是使用普通的CSV reader 读取文件。但从观察来看,多处理 比正常 CSV 读取 花费更长的时间,当测试大小为 100 MB 的文件的两种模式时。

这是正确的行为吗?或者我做错了什么?

这是我的代码:

def set_file_processing_mode(self, fpath):
""" """
fsize = self.get_file_size(fpath)
if fsize > FILE_SIZE_200MB:
self.read_in_async_mode = True
else:
self.read_in_async_mode = False

def read_line_by_line(self, filepath):
"""Reads CSV line by line"""
with open(filepath, 'rb') as csvin:
csvin = csv.reader(csvin, delimiter=',')
for row in iter(csvin):
yield row

def read_huge_file(self, filepath):
"""Read file in chunks"""
pool = mp.Pool(1)
for chunk_number in range(self.chunks): #self.chunks = 20
proc = pool.apply_async(read_chunk_by_chunk,
args=[filepath, self.chunks, chunk_number])
reader = proc.get()
yield reader
pool.close()
pool.join()

def iterate_chunks(self, filepath):
"""Read huge file rows"""
for chunklist in self.read_huge_file(filepath):
for row in chunklist:
yield row
@timeit #-- custom decorator
def read_csv_rows(self, filepath):
"""Read CSV rows and pass it to processing"""
if self.read_in_async_mode:
print("Reading in async mode")
for row in self.iterate_chunks(filepath):
self.process(row)
else:
print("Reading in sync mode")
for row in self.read_line_by_line(filepath):
self.process(row)

def process(self, formatted_row):
"""Just prints the line"""
self.log(formatted_row)

def read_chunk_by_chunk(filename, number_of_blocks, block):
'''
A generator that splits a file into blocks and iterates
over the lines of one of the blocks.
'''
results = []
assert 0 <= block and block < number_of_blocks
assert 0 < number_of_blocks
with open(filename) as fp :
fp.seek(0,2)
file_size = fp.tell()
ini = file_size * block / number_of_blocks
end = file_size * (1 + block) / number_of_blocks
if ini <= 0:
fp.seek(0)
else:
fp.seek(ini-1)
fp.readline()
while fp.tell() < end:
results.append(fp.readline())
return results

if __name__ == '__main__':
classobj.read_csv_rows(sys.argv[1])

这是一个测试:

$ python csv_utils.py "input.csv"
Reading in async mode
FINISHED IN 3.75 sec
$ python csv_utils.py "input.csv"
Reading in sync mode
FINISHED IN 0.96 sec

问题是:

为什么异步模式需要更长的时间?

注意:删除了不必要的函数/行以避免代码复杂

最佳答案

Is this correct behaviour?

是的 - 它可能不是您所期望的,但它与您实现它的方式以及 multiprocessing 的工作方式是一致的。

Why Async mode is taking longer?

你的例子的工作方式也许最好用一个寓言来说明 - 请耐心等待:

假设您邀请您的 friend 参与一项实验。您希望他尽可能快地浏览一本书并用笔在每一页上做记号。有两轮具有不同的设置,您将为每一轮计时,然后比较哪一轮更快:

  1. 打开书的第一页,做记号,然后翻页,在接下来的几页上做记号。纯顺序处理。

  2. 分块处理这本书。为此,他应该逐页浏览这本书。那就是他应该首先列出页码作为起点,比如 1、10、20、30、40 等。然后对于每个 block ,他应该合上书,在起点页面上打开它,在下一个起点出现之前处理所有页面,关闭这本书,然后从头开始阅读下一部分。

哪种方法会更快?

Am I doing something wrong?

您认为这两种方法都花费了太长时间。您真正想要做的是让多个 人(进程)并行 进行标记。现在,对于一本书(就像一个文件)来说,这很困难,因为在任何时候只有一个人(过程)可以访问这本书(文件)。如果处理顺序无关紧要并且应该并行运行的是标记本身 - 而不是访问 - 仍然可以完成。所以新的方法是这样的:

  1. 将书页剪下来,分成 10 叠
  2. 让十个人每人标记一堆

这种方法肯定会加快整个过程。也许令人惊讶的是,虽然加速将小于 10 倍,因为第 1 步需要一些时间,而且只有一个人可以做到。那叫Amdahl's law [维基百科]:

$$ S_\text{latency}(s) = \frac{1}{(1 - p) + \frac{p}{s}}

从本质上讲,这意味着任何进程的(理论上的)加速只能与并行处理部分 p 相对于部分顺序处理时间的速度降低一样快( p/s)。

直观上,加速只能来自并行处理的任务部分,所有顺序部分不受影响并且花费相同的时间,无论 p 是否被处理并行与否。

也就是说,在我们的示例中,显然加速只能来自步骤 2(多人并行标记页面),因为步骤 1(撕毁书)显然是连续的。

develop an application which should be able to process huge CSV files

解决方法如下:

  1. 确定处理的哪些部分可以并行完成,即单独处理每个 block ,不按顺序
  2. 按顺序读取文件,边读边将其分成 block
  3. 使用多处理多个处理步骤并行

像这样:

def process(rows):
# do all the processing
...
return result

if __name__ == '__main__':
pool = mp.Pool(N) # N > 1
chunks = get_chunks(...)
for rows in chunks:
result += pool.apply_async(process, rows)
pool.close()
pool.join()

我没有在这里定义 get_chunks,因为有几种记录的方法可以做到这一点,例如herehere .

结论

根据每个文件所需的处理类型,顺序处理任何一个文件的方法很可能是最快的方法,原因很简单,因为处理部分不会从并行完成中获益太多。由于例如,您可能仍会逐 block 处理它。内存限制。如果是这种情况,您可能不需要多处理。

如果您有可以并行处理的多个文件,多处理是一种非常好的方法。它的工作方式与上面所示的相同,其中 block 不是行而是文件名。

关于python - 使用多处理池读取 CSV 比 CSV 阅读器花费的时间更长,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/39524744/

25 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com