python - Streamz/Dask : gather does not wait for all results of buffer

Question

进口:

from dask.distributed import Client
import streamz
import time

模拟工作负载:

def increment(x):
    time.sleep(0.5)
    return x + 1

假设我想在本地 Dask 客户端上处理一些工作负载:

if __name__ == "__main__":
    with Client() as dask_client:
        ps = streamz.Stream()
        ps.scatter().map(increment).gather().sink(print)

        for i in range(10):
            ps.emit(i)

这按预期工作，但是 sink(print) 当然会强制等待每个结果，因此流不会并行执行。

但是，如果我使用 buffer() 允许缓存结果，则 gather() 似乎不再正确收集所有结果，并且解释器会在之前退出得到结果。这种方法:

if __name__ == "__main__":
    with Client() as dask_client:
        ps = streamz.Stream()
        ps.scatter().map(increment).buffer(10).gather().sink(print)
                                     # ^
        for i in range(10):          # - allow parallel execution 
            ps.emit(i)               # - before gather()

...不为我打印任何结果。 Python 解释器在启动脚本后不久就会退出，并且 before buffer() 发出其结果，因此什么也没有被打印。

但是，如果主进程被迫等待一段时间，结果将以并行方式打印(因此它们不会互相等待，而是几乎同时打印):

if __name__ == "__main__":
    with Client() as dask_client:
        ps = streamz.Stream()
        ps.scatter().map(increment).buffer(10).gather().sink(print)

        for i in range(10):
            ps.emit(i)

        time.sleep(10)  # <- force main process to wait while ps is working

这是为什么呢？我认为 gather() 应该等待一批 10 个结果，因为 buffer() 应该并行缓存正好 10 个结果，然后再将它们刷新到 gather().为什么在这种情况下 gather() 不会阻塞？

是否有一种很好的方法来检查 Stream 是否仍包含正在处理的元素以防止主进程过早退出？

Answer 1

1. “这是为什么？”:因为 Dask 分布式调度程序(执行流映射器和接收器函数)和 Python 脚本在不同的进程中运行。当“with” block 上下文结束时，您的 Dask 客户端将关闭，并且在发送到流的项目能够到达接收器函数之前关闭执行。

2. “有没有一种好的方法来检查 Stream 是否仍然包含正在处理的元素”:我不知道。 但是:如果您想要的行为是(我只是在这里猜测)并行处理一堆项目，那么 Streamz 不是您应该使用的，普通 Dask 就足够了。