clojure pmap - 为什么我不使用所有核心？

Question

我正在尝试使用 clojure pantomime 库从大量 tif 文档(以及其他文档)中提取/ocr 文本。

我的计划是使用 pmap 将映射应用于一系列输入数据(来自 postgres 数据库)，然后使用 tika/tesseract OCR 输出更新同一 postgres 数据库。这一直工作正常，但是我注意到 htop 中许多核心有时处于空闲状态。

有没有办法解决这个问题，我可以采取什么步骤来确定为什么这可能会在某个地方阻塞？所有处理都发生在单个 tif 文件上，并且每个线程完全互斥。

其他信息:

1. 一些 tika/tesseract 进程需要 3 秒，其他进程最多需要 90 秒。一般来说，tika 严重依赖 CPU。根据 htop，我有足够的可用内存。
2. postgres 在 session 管理中没有锁定问题，所以我认为这不会阻碍我。
3. 也许 future 的某个地方正在等待取消引用？怎么知道在哪里？

任何提示表示赞赏，谢谢。下面添加了代码。

(defn parse-a-path [{:keys [row_id, file_path]}]
      (try
        (let [
              start        (System/currentTimeMillis)
              mime_type    (pm/mime-type-of file_path)
              file_content (-> file_path (extract/parse) :text)
              language     (pl/detect-language file_content)
              ]
          {:mime_type   mime_type
          :file_content file_content
          :language     language
          :row_id       row_id
          :parse_time_in_seconds   (float (/ ( - (System/currentTimeMillis) start) 100))
          :record_status "doc parsed"})))


(defn fetch-all-batch []
      (t/info (str "Fetching lazy seq. all rows for batch.") )
      (jdbc/query (db-connection)
                  ["select
                   row_id,
                   file_path ,
                   file_extension
                   from the_table" ]))


(defn update-a-row [{:keys [row_id, file_path, file_extension] :as all-keys}]
      (let [parse-out (parse-a-path all-keys )]
        (try
          (doall
            (jdbc/execute!
              (db-connection)
              ["update the_table
               set
               record_last_updated        = current_timestamp ,
               file_content          = ?                 ,
               mime_type             = ?                 ,
               language              = ?                 ,
               parse_time_in_seconds = ?                 ,
               record_status         = ?
               where row_id = ? "
               (:file_content          parse-out) ,
               (:mime_type             parse-out) ,
               (:language              parse-out) ,
               (:parse_time_in_seconds parse-out) ,
               (:record_status         parse-out) ,
               row_id ])
            (t/debug (str "updated row_id " (:row_id parse-out) " (" file_extension ") "
                          " in " (:parse_time_in_seconds parse-out) " seconds." )))
          (catch  Exception _ ))))

(dorun
  (pmap
    #(try
       (update-a-row %)
       (catch Exception e (t/error (.getNextException e)))
       )
    fetch-all-batch )
  )

Answer 1

pmap 在(+ 2 个核心)批处理上并行运行映射函数，但保留顺序。这意味着如果您有 8 个核心，则将处理一批 10 个项目，但只有在所有 10 个项目都完成后才会开始新批处理。

您可以使用 future、delay 和 deref 的组合来创建自己的代码，这将是很好的学术练习。之后，您可以扔掉代码并开始使用 claypoole库，它有一组抽象，涵盖了 future 的大部分用途。

对于这种特定情况，请使用其无序 pmap 或 pfor 实现(upmap 和 upfor)，这做与 pmap 完全相同的事情，但没有顺序；当批处理中的任何一件元素完成后，就会立即拾取新元素。

在 IO 是主要瓶颈的情况下，或者工作项之间的处理时间差异很大的情况下，并行化 map 或 for 操作是最好的方法。

当然，您应该注意不要依赖任何类型的返回值排序。

  (require '[com.climate.claypoole :as cp])

  (cp/upmap (cp/ncpus)
    #(try
       (update-a-row %)
       (catch Exception e (t/error (.getNextException e)))
       )
    fetch-all-batch )