我有一个Python数据生成器和一组昂贵的操作,我想对这些数据执行。简单来说,对于每个数据,我想执行d(g(h(q(x))))
,其中x
是数据。我想通过使用处理管道部分隐藏执行这些操作的代码。
另一种思考问题的方式是,在每个阶段,我希望有一组工人通过队列读取前一个阶段的结果,进行处理,然后将结果放置在另一个队列上。
我的当前解决方案(有效)是:
from multiprocessing.pool import ThreadPool
class FuncIterator(object):
def __init__(self, func, base_iterator, pool_size=10):
self.func = func
self.base_iterator = base_iterator
self.pool = ThreadPool(pool_size)
def __iter__(self):
aa = self.pool.imap(self.func, self.base_iterator, chunksize=1)
for item in aa:
yield item
这种解决方案的问题在于队列是无界的;也就是说,生产者可能会领先于消费者,从而导致内存使用无限增长。我希望通过限制中间队列的大小来防止这种情况发生。
我的第一个想法是使用显式的 Queue
实现以下内容:
from multiprocessing.pool import Queue
def get_queue(func, f_iter, maxsize=5):
queue = Queue.Queue(maxsize=maxsize)
def runner(source):
for entry in source:
queue.put(func(entry), True)
queue.put(StopIteration)
process = ThreadPool.Process(target=runner, args=(f_iter,))
process.start()
return queue
那么我如何控制使用多少个工作者?