- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我正在使用 NLTK 对一些相当大的数据集执行自然语言处理,并且希望利用我的所有处理器核心。似乎多处理模块就是我所追求的,当我运行以下测试代码时,我看到所有核心都在被利用,但代码永远不会完成。
执行相同的任务(无需多重处理)大约需要一分钟即可完成。
Debian 上的 Python 2.7.11。
from nltk.tokenize import word_tokenize
import io
import time
import multiprocessing as mp
def open_file(filepath):
#open and parse file
file = io.open(filepath, 'rU', encoding='utf-8')
text = file.read()
return text
def mp_word_tokenize(text_to_process):
#word tokenize
start_time = time.clock()
pool = mp.Pool(processes=8)
word_tokens = pool.map(word_tokenize, text_to_process)
finish_time = time.clock() - start_time
print 'Finished word_tokenize in [' + str(finish_time) + '] seconds. Generated [' + str(len(word_tokens)) + '] tokens'
return word_tokens
filepath = "./p40_compiled.txt"
text = open_file(filepath)
tokenized_text = mp_word_tokenize(text)
最佳答案
这个答案已经过时了。请改为查看 https://stackoverflow.com/a/54032108/610569
<小时/>这是一个骗子使用 sframe
进行多线程的方法:
>>> import sframe
>>> import time
>>> from nltk import word_tokenize
>>>
>>> import urllib.request
>>> url = 'https://raw.githubusercontent.com/Simdiva/DSL-Task/master/data/DSLCC-v2.0/test/test.txt'
>>> response = urllib.request.urlopen(url)
>>> data = response.read().decode('utf8')
>>>
>>> for _ in range(10):
... start = time.time()
... for line in data.split('\n'):
... x = word_tokenize(line)
... print ('word_tokenize():\t', time.time() - start)
...
word_tokenize(): 4.058445692062378
word_tokenize(): 4.05820369720459
word_tokenize(): 4.090051174163818
word_tokenize(): 4.210559129714966
word_tokenize(): 4.17473030090332
word_tokenize(): 4.105806589126587
word_tokenize(): 4.082665681838989
word_tokenize(): 4.13646936416626
word_tokenize(): 4.185062408447266
word_tokenize(): 4.085020065307617
>>> sf = sframe.SFrame(data.split('\n'))
>>> for _ in range(10):
... start = time.time()
... x = list(sf.apply(lambda x: word_tokenize(x['X1'])))
... print ('word_tokenize() with sframe:\t', time.time() - start)
...
word_tokenize() with sframe: 7.174573659896851
word_tokenize() with sframe: 5.072867393493652
word_tokenize() with sframe: 5.129574775695801
word_tokenize() with sframe: 5.10952091217041
word_tokenize() with sframe: 5.015898942947388
word_tokenize() with sframe: 5.037845611572266
word_tokenize() with sframe: 5.015375852584839
word_tokenize() with sframe: 5.016635894775391
word_tokenize() with sframe: 5.155989170074463
word_tokenize() with sframe: 5.132697105407715
>>> for _ in range(10):
... start = time.time()
... x = [word_tokenize(line) for line in data.split('\n')]
... print ('str.split():\t', time.time() - start)
...
str.split(): 4.176181793212891
str.split(): 4.116339921951294
str.split(): 4.1104896068573
str.split(): 4.140819549560547
str.split(): 4.103625774383545
str.split(): 4.125757694244385
str.split(): 4.10755729675293
str.split(): 4.177418947219849
str.split(): 4.11145281791687
str.split(): 4.140623092651367
请注意,速度差异可能是因为我在其他核心上运行了其他东西。但如果有更大的数据集和专用核心,您确实可以看到这种规模。
关于NLTK word_tokenizer 的 Python 多重处理 - 函数永远不会完成,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/35512594/
C语言sscanf()函数:从字符串中读取指定格式的数据 头文件: ?
最近,我有一个关于工作预评估的问题,即使查询了每个功能的工作原理,我也不知道如何解决。这是一个伪代码。 下面是一个名为foo()的函数,该函数将被传递一个值并返回一个值。如果将以下值传递给foo函数,
CStr 函数 返回表达式,该表达式已被转换为 String 子类型的 Variant。 CStr(expression) expression 参数是任意有效的表达式。 说明 通常,可以
CSng 函数 返回表达式,该表达式已被转换为 Single 子类型的 Variant。 CSng(expression) expression 参数是任意有效的表达式。 说明 通常,可
CreateObject 函数 创建并返回对 Automation 对象的引用。 CreateObject(servername.typename [, location]) 参数 serv
Cos 函数 返回某个角的余弦值。 Cos(number) number 参数可以是任何将某个角表示为弧度的有效数值表达式。 说明 Cos 函数取某个角并返回直角三角形两边的比值。此比值是
CLng 函数 返回表达式,此表达式已被转换为 Long 子类型的 Variant。 CLng(expression) expression 参数是任意有效的表达式。 说明 通常,您可以使
CInt 函数 返回表达式,此表达式已被转换为 Integer 子类型的 Variant。 CInt(expression) expression 参数是任意有效的表达式。 说明 通常,可
Chr 函数 返回与指定的 ANSI 字符代码相对应的字符。 Chr(charcode) charcode 参数是可以标识字符的数字。 说明 从 0 到 31 的数字表示标准的不可打印的
CDbl 函数 返回表达式,此表达式已被转换为 Double 子类型的 Variant。 CDbl(expression) expression 参数是任意有效的表达式。 说明 通常,您可
CDate 函数 返回表达式,此表达式已被转换为 Date 子类型的 Variant。 CDate(date) date 参数是任意有效的日期表达式。 说明 IsDate 函数用于判断 d
CCur 函数 返回表达式,此表达式已被转换为 Currency 子类型的 Variant。 CCur(expression) expression 参数是任意有效的表达式。 说明 通常,
CByte 函数 返回表达式,此表达式已被转换为 Byte 子类型的 Variant。 CByte(expression) expression 参数是任意有效的表达式。 说明 通常,可以
CBool 函数 返回表达式,此表达式已转换为 Boolean 子类型的 Variant。 CBool(expression) expression 是任意有效的表达式。 说明 如果 ex
Atn 函数 返回数值的反正切值。 Atn(number) number 参数可以是任意有效的数值表达式。 说明 Atn 函数计算直角三角形两个边的比值 (number) 并返回对应角的弧
Asc 函数 返回与字符串的第一个字母对应的 ANSI 字符代码。 Asc(string) string 参数是任意有效的字符串表达式。如果 string 参数未包含字符,则将发生运行时错误。
Array 函数 返回包含数组的 Variant。 Array(arglist) arglist 参数是赋给包含在 Variant 中的数组元素的值的列表(用逗号分隔)。如果没有指定此参数,则
Abs 函数 返回数字的绝对值。 Abs(number) number 参数可以是任意有效的数值表达式。如果 number 包含 Null,则返回 Null;如果是未初始化变量,则返回 0。
FormatPercent 函数 返回表达式,此表达式已被格式化为尾随有 % 符号的百分比(乘以 100 )。 FormatPercent(expression[,NumDigitsAfterD
FormatNumber 函数 返回表达式,此表达式已被格式化为数值。 FormatNumber( expression [,NumDigitsAfterDecimal [,Inc
我是一名优秀的程序员,十分优秀!