使用 python 3.6 将多个文件并行加载到内存中的最佳方法是什么？

Question

我有 6 个大文件，每个文件都包含一个我使用 pickle 函数保存在硬盘中的字典对象。按顺序加载所有这些大约需要 600 秒。我想同时开始加载所有这些文件以加快进程。假设它们都具有相同的大小，我希望在 100 秒内加载它们。我使用 multiprocessing 和 apply_async 分别加载它们中的每一个，但它像顺序一样运行。这是我使用的代码，它不起作用。该代码适用于其中 3 个文件，但其中 6 个文件的代码相同。我将第三个文件放在另一个硬盘中以确保 IO 不受限制。

def loadMaps():    
    start = timeit.default_timer()
    procs = []
    pool = Pool(3)
    pool.apply_async(load1(),)
    pool.apply_async(load2(),)
    pool.apply_async(load3(),)
    pool.close()
    pool.join()
    stop = timeit.default_timer()
    print('loadFiles takes in %.1f seconds' % (stop - start))

Answer 1

如果您的代码主要受 IO 限制并且文件位于多个磁盘上，则您可以使用线程来加速它：

import concurrent.futures
import pickle

def read_one(fname):
    with open(fname, 'rb') as f:
        return pickle.load(f)

def read_parallel(file_names):
    with concurrent.futures.ThreadPoolExecutor() as executor:
        futures = [executor.submit(read_one, f) for f in file_names]
        return [fut.result() for fut in futures]

该GIL不会强迫IO操作运行序列化，因为这样做的Python IO时，始终将其释放。

关于替代品的几点说明：

• multiprocessing 不太可能有帮助，因为虽然它保证在多个进程中完成其工作（因此没有 GIL），但它也需要在子进程和主进程之间传输内容，这需要额外的时间。

• asyncio根本不会帮助你，因为它本身不支持异步文件系统访问（流行的操作系统也不支持）。虽然它可以用threads来模拟，但效果和上面的代码一样，只是多了些仪式感。

• 这两个选项都不会将六个文件的加载速度提高六倍。考虑到至少有一些时间用于创建字典，这些字典将由 GIL 序列化。如果您想真正加快启动速度，更好的方法是不要预先创建整个字典并切换到文件内数据库，可能使用字典来缓存对其内容的访问。