Решение смущающе параллельных задач с использованием многопроцессорной обработки Python

Как использовать многопроцессорная обработка по решению чрезвычайно параллельные проблемы?

смущающе параллельные задачи обычно состоят из трех основных частей:

1. читать входные данные (из файла, базы данных, tcp-соединения и т. д.).
2. выполнить расчеты по входным данным, где каждый расчет независимо от любого другого расчет.
3. написать результаты вычислений (в файл, базу данных, tcp соединение и др.).

мы можем распараллелить программу в двух измерениях:

• Часть 2 может работать на нескольких ядрах, так как каждый расчет является независимым; порядок обработки не имеет значения.
• каждая часть может работать независимо. Часть 1 может размещать данные во входной очереди, часть 2 может извлекать данные из входной очереди и помещать результаты в очередь вывода, и часть 3 может вытащить результаты из очереди вывода и записать их.

это кажется самым основным шаблоном в параллельном программировании, но я все еще теряюсь в попытке решить его, так что давайте напишем канонический пример, чтобы проиллюстрировать, как это делается с помощью многопроцессорной обработки.

вот пример проблемы: учитывая CSV-файла со строками целых чисел в качестве входных данных, вычислить их суммы. Разделить проблему на три части, которые могут работать параллельно:

1. обработка входного файла в необработанные данные (списки / итерационные числа)
2. вычислить суммы данных, параллельно
3. выход Суммы

Ниже приведена традиционная, привязанная к одному процессу программа Python, которая решает эти три задачи:

#!/usr/bin/env python
# -*- coding: UTF-8 -*-
# basicsums.py
"""A program that reads integer values from a CSV file and writes out their
sums to another CSV file.
"""

import csv
import optparse
import sys

def make_cli_parser():
    """Make the command line interface parser."""
    usage = "nn".join(["python %prog INPUT_CSV OUTPUT_CSV",
            __doc__,
            """
ARGUMENTS:
    INPUT_CSV: an input CSV file with rows of numbers
    OUTPUT_CSV: an output file that will contain the sums
"""])
    cli_parser = optparse.OptionParser(usage)
    return cli_parser


def parse_input_csv(csvfile):
    """Parses the input CSV and yields tuples with the index of the row
    as the first element, and the integers of the row as the second
    element.

    The index is zero-index based.

    :Parameters:
    - `csvfile`: a `csv.reader` instance

    """
    for i, row in enumerate(csvfile):
        row = [int(entry) for entry in row]
        yield i, row


def sum_rows(rows):
    """Yields a tuple with the index of each input list of integers
    as the first element, and the sum of the list of integers as the
    second element.

    The index is zero-index based.

    :Parameters:
    - `rows`: an iterable of tuples, with the index of the original row
      as the first element, and a list of integers as the second element

    """
    for i, row in rows:
        yield i, sum(row)


def write_results(csvfile, results):
    """Writes a series of results to an outfile, where the first column
    is the index of the original row of data, and the second column is
    the result of the calculation.

    The index is zero-index based.

    :Parameters:
    - `csvfile`: a `csv.writer` instance to which to write results
    - `results`: an iterable of tuples, with the index (zero-based) of
      the original row as the first element, and the calculated result
      from that row as the second element

    """
    for result_row in results:
        csvfile.writerow(result_row)


def main(argv):
    cli_parser = make_cli_parser()
    opts, args = cli_parser.parse_args(argv)
    if len(args) != 2:
        cli_parser.error("Please provide an input file and output file.")
    infile = open(args[0])
    in_csvfile = csv.reader(infile)
    outfile = open(args[1], 'w')
    out_csvfile = csv.writer(outfile)
    # gets an iterable of rows that's not yet evaluated
    input_rows = parse_input_csv(in_csvfile)
    # sends the rows iterable to sum_rows() for results iterable, but
    # still not evaluated
    result_rows = sum_rows(input_rows)
    # finally evaluation takes place as a chain in write_results()
    write_results(out_csvfile, result_rows)
    infile.close()
    outfile.close()


if __name__ == '__main__':
    main(sys.argv[1:])

#!/usr/bin/env python
# -*- coding: UTF-8 -*-
# multiproc_sums.py
"""A program that reads integer values from a CSV file and writes out their
sums to another CSV file, using multiple processes if desired.
"""

import csv
import multiprocessing
import optparse
import sys

NUM_PROCS = multiprocessing.cpu_count()

def make_cli_parser():
    """Make the command line interface parser."""
    usage = "nn".join(["python %prog INPUT_CSV OUTPUT_CSV",
            __doc__,
            """
ARGUMENTS:
    INPUT_CSV: an input CSV file with rows of numbers
    OUTPUT_CSV: an output file that will contain the sums
"""])
    cli_parser = optparse.OptionParser(usage)
    cli_parser.add_option('-n', '--numprocs', type='int',
            default=NUM_PROCS,
            help="Number of processes to launch [DEFAULT: %default]")
    return cli_parser


def main(argv):
    cli_parser = make_cli_parser()
    opts, args = cli_parser.parse_args(argv)
    if len(args) != 2:
        cli_parser.error("Please provide an input file and output file.")
    infile = open(args[0])
    in_csvfile = csv.reader(infile)
    outfile = open(args[1], 'w')
    out_csvfile = csv.writer(outfile)

    # Parse the input file and add the parsed data to a queue for
    # processing, possibly chunking to decrease communication between
    # processes.

    # Process the parsed data as soon as any (chunks) appear on the
    # queue, using as many processes as allotted by the user
    # (opts.numprocs); place results on a queue for output.
    #
    # Terminate processes when the parser stops putting data in the
    # input queue.

    # Write the results to disk as soon as they appear on the output
    # queue.

    # Ensure all child processes have terminated.

    # Clean up files.
    infile.close()
    outfile.close()


if __name__ == '__main__':
    main(sys.argv[1:])

эти куски кода, а также еще один фрагмент кода, который может генерировать пример CSV-файлов для целей тестирования, может быть найдено на github.

Я был бы признателен за любое понимание того, как вы, гуру параллелизма, подходите к этой проблеме.

вот некоторые вопросы, которые я испытывал, когда думал о эта проблема. бонусные баллы за обращение к любому/всем:

• должен ли я иметь дочерние процессы для чтения данных и размещения их в очереди, или основной процесс может сделать это без блокировки, пока все входные данные не будут прочитаны?
• аналогично, должен ли я иметь дочерний процесс для записи результатов из обработанной очереди, или основной процесс может сделать это без необходимости ждать всех результатов?
• должен ли я использовать процессы бассейн для операций с суммой?
  • если да, то какой метод я вызываю в пуле, чтобы заставить его начать обработку результатов, поступающих в очередь ввода, не блокируя также процессы ввода и вывода? apply_async ()? map_async ()? imap ()? imap_unordered ()?
• предположим, что нам не нужно было откачивать входные и выходные очереди по мере ввода данных, но можно было подождать, пока все вход был проанализирован и все результаты были вычислены (например, потому что мы знаем, что все входные и выходные данные будут вписываться в системную память). Должны ли мы каким-либо образом изменить алгоритм (например, не запускать какие-либо процессы одновременно с вводом-выводом)?