python-3.x - 在不同进程之间共享内存中的复杂 python 对象

Question

我有一个复杂的 python 对象，内存大小约为 36GB，我想在多个单独的 python 进程之间共享。它作为 pickle 文件存储在磁盘上，我目前为每个进程单独加载。我想共享这个对象，以便在可用内存量下并行执行更多进程。

从某种意义上说，此对象用作只读数据库。每个进程每秒发起多个访问请求，每个请求只是针对一小部分数据。

我研究了 Radis 之类的解决方案，但我发现最终需要将数据序列化为简单的文本形式。此外，将 pickle 文件本身映射到内存应该无济于事，因为每个进程都需要提取它。所以我想到了另外两种可能的解决方案:

使用共享内存，其中每个进程都可以访问存储对象的地址。这里的问题是进程只会看到大量字节，无法解释

通过 API 调用编写保存此对象并管理数据检索的代码。在这里，我想知道这种解决方案在速度方面的性能。

有没有一种简单的方法来实现这些解决方案中的任何一个？对于这种情况，也许有更好的解决方案？

非常感谢!

Answer 1

对于复杂的对象，没有现成的方法可以在进程之间直接共享内存。如果您有简单的 ctypes，您可以在 c 风格的共享内存中执行此操作，但它不会直接映射到 python 对象。

如果您在任何时候只需要一部分数据，而不是整个 36GB，那么有一个简单的解决方案可以很好地工作。为此，您可以使用 SyncManager 中的 multiprocessing.managers 。使用它，您可以设置一个服务器，为您的数据提供代理类(您的数据不存储在类中，代理只提供对它的访问)。然后您的客户端使用 BaseManager 连接到服务器并调用代理类中的方法来检索数据。

在幕后，Manager 类负责对您要求的数据进行 pickle ，并通过开放端口将其从服务器发送到客户端。因为您每次调用都在 pickle 数据，所以如果您需要整个数据集，这效率不高。在客户端只需要一小部分数据的情况下，该方法节省了大量时间，因为数据只需要服务器加载一次。

该解决方案在速度方面可与数据库解决方案相媲美，但如果您更愿意保持纯粹的 Pythonic 解决方案，它可以为您节省大量复杂性和 DB-learning。

下面是一些用于处理 GloVe 词向量的示例代码。

服务器

#!/usr/bin/python
import  sys
from    multiprocessing.managers import SyncManager
import  numpy

# Global for storing the data to be served
gVectors = {}

# Proxy class to be shared with different processes
# Don't but the big vector data in here since that will force it to 
# be piped to the other process when instantiated there, instead just
# return the global vector data, from this process, when requested.
class GloVeProxy(object):
    def __init__(self):
        pass

    def getNVectors(self):
        global gVectors
        return len(gVectors)

    def getEmpty(self):
        global gVectors
        return numpy.zeros_like(gVectors.values()[0])

    def getVector(self, word, default=None):
        global gVectors
        return gVectors.get(word, default)

# Class to encapsulate the server functionality
class GloVeServer(object):
    def __init__(self, port, fname):
        self.port = port
        self.load(fname)

    # Load the vectors into gVectors (global)
    @staticmethod
    def load(filename):
        global gVectors
        f = open(filename, 'r')
        for line in f:
            vals = line.rstrip().split(' ')
            gVectors[vals[0]] = numpy.array(vals[1:]).astype('float32')

    # Run the server
    def run(self):
        class myManager(SyncManager): pass  
        myManager.register('GloVeProxy', GloVeProxy)
        mgr = myManager(address=('', self.port), authkey='GloVeProxy01')
        server = mgr.get_server()
        server.serve_forever()

if __name__ == '__main__':
    port  = 5010
    fname = '/mnt/raid/Data/Misc/GloVe/WikiGiga/glove.6B.50d.txt'

    print 'Loading vector data'
    gs = GloVeServer(port, fname)

    print 'Serving data. Press <ctrl>-c to stop.'
    gs.run()

客户端

from   multiprocessing.managers import BaseManager
import psutil   #3rd party module for process info (not strictly required)

# Grab the shared proxy class.  All methods in that class will be availble here
class GloVeClient(object):
    def __init__(self, port):
        assert self._checkForProcess('GloVeServer.py'), 'Must have GloVeServer running'
        class myManager(BaseManager): pass
        myManager.register('GloVeProxy')
        self.mgr = myManager(address=('localhost', port), authkey='GloVeProxy01')
        self.mgr.connect()
        self.glove = self.mgr.GloVeProxy()

    # Return the instance of the proxy class
    @staticmethod
    def getGloVe(port):
        return GloVeClient(port).glove

    # Verify the server is running
    @staticmethod
    def _checkForProcess(name):
        for proc in psutil.process_iter():
            if proc.name() == name:
                return True
        return False

if __name__ == '__main__':
    port = 5010
    glove = GloVeClient.getGloVe(port)

    for word in ['test', 'cat', '123456']:
        print('%s = %s' % (word, glove.getVector(word)))

请注意， psutil 库仅用于检查服务器是否正在运行，不是必需的。确保将服务器命名为 GloVeServer.py 或通过代码中的 psutil 更改检查，以便它寻找正确的名称。