python-boilerpipe挂起了多处理

Question

我试图boilerpipe用Python 运行multiprocessing.这样做是为了解析来自多个来源的RSS源.问题是它在处理一些链接后挂在其中一个线程中.如果我删除池并在循环中运行它,整个流程都有效.

这是我的多处理代码:

proc_pool = Pool(processes=4)
for each_link in data:
    proc_pool.apply_async(process_link_for_feeds, args=(each_link, ), callback=store_results_to_db)
proc_pool.close()
proc_pool.join()

这是我boilerpipe在里面调用的代码process_link_for_feeds():

def parse_using_bp(in_url):
    extracted_html = ""
    if ContentParser.url_skip_p.match(in_url):
        return extracted_html
    try:
        extractor = Extractor(extractor='ArticleExtractor', url=in_url)
        extracted_html = extractor.getHTML()
        del extractor
    except BaseException as e:
        print "Something's wrong at Boilerpipe -->", in_url, "-->", e
        extracted_html = ""
    finally:
        return extracted_html

我对它悬挂的原因一无所知.proc_pool代码中有什么问题吗？

Answer 1

您可以尝试使用线程吗？多处理基本上适用于CPU 受限的情况。此外，boilerpipe在使用线程时已经包含了保护，这表明它在多处理中也可能需要保护。

如果你真的需要mp，我会尝试找出如何修补boilerpipe。

我猜这将是使用线程的直接替代品。它使用 multiprocessing.pool.ThreadPool （这是一个“假”多处理池）。唯一的变化是从Pool(..)到multiprocessing.pool.ThreadPool(...)问题是我不确定锅炉管道多线程测试是否会将线程池 () 检测为具有activeCount() > 1.

import multiprocessing
from multiprocessing.pool import ThreadPool  # hidden ThreadPool class

# ...
proc_pool = ThreadPool(processes=4)  # this is the only difference
for each_link in data:
    proc_pool.apply_async(process_link_for_feeds, args=(each_link, ), callback=store_results_to_db)
proc_pool.close()
proc_pool.join()