dask - 可以使用无休止的流式输入进行工作

Question

我知道 dask 在这样的批处理模式下运行良好

def load(filename):
    ...

def clean(data):
    ...

def analyze(sequence_of_data):
    ...

def store(result):
    with open(..., 'w') as f:
        f.write(result)

dsk = {'load-1': (load, 'myfile.a.data'),
       'load-2': (load, 'myfile.b.data'),
       'load-3': (load, 'myfile.c.data'),
       'clean-1': (clean, 'load-1'),
       'clean-2': (clean, 'load-2'),
       'clean-3': (clean, 'load-3'),
       'analyze': (analyze, ['clean-%d' % i for i in [1, 2, 3]]),
       'store': (store, 'analyze')}

from dask.multiprocessing import get
get(dsk, 'store')  # executes in parallel

我们可以使用 dask 来处理流 channel ，其中 block 的数量是未知的甚至是无穷无尽的吗？

它可以以增量方式执行计算吗？例如，上面的“分析”步骤可以处理正在进行的 block 吗？

我们必须在所有数据 block 都知道之后才调用“get”操作，我们是否可以在调用“get”之后添加新 block

Answer 1

编辑:请参阅下面的更新答案
不
dask 中的当前任务调度程序需要一个计算图。它不支持从该图中动态添加或删除。调度器旨在评估少量内存中的大图；提前了解整个图表对此至关重要。
但是，这并不能阻止创建具有不同属性的其他调度程序。一个简单的解决方案就是使用像 conncurrent.futures 这样的模块。在单台机器上或 distributed 在多台机器上。
其实，是
分布式调度程序现在完全异步运行，您可以在计算期间提交任务、等待其中一些、提交更多、取消任务、添加/删除工作人员等。有几种方法可以做到这一点，但最简单的可能是新的concurrent.futures。这里简要描述的界面:
http://dask.pydata.org/en/latest/futures.html