Ray 比 Python 和 .multiprocessing 慢得多

Question

我上传了 130k json 文件。

我用以下方法做到这一点Python：

import os
import json
import pandas as pd

path = "/my_path/"

filename_ending = '.json'


json_list = []

json_files = [file for file in os.listdir(f"{path}") if file.endswith(filename_ending)]

import time
start = time.time()

for jf in json_files:
    with open(f"{path}/{jf}", 'r') as f:

        json_data = json.load(f)

        json_list.append(json_data)

end = time.time()

需要 60 秒。

我用以下方法做到这一点multiprocessing：

import os
import json
import pandas as pd
from multiprocessing import Pool
import time

path = "/my_path/"

filename_ending = '.json'

json_files = [file for file in os.listdir(f"{path}") if file.endswith(filename_ending)]


def read_data(name):
    with open(f"/my_path/{name}", 'r') as f:
        json_data = json.load(f)

    return json_data


if __name__ == '__main__':

    start = time.time()

    pool = Pool(processes=os.cpu_count())                       
    x = pool.map(read_data, json_files)     

    end = time.time()

需要 53 秒。

我用以下方法做到这一点ray：

import os
import json
import pandas as pd
from multiprocessing import Pool
import time
import ray


path = "/my_path/"

filename_ending = '.json'

json_files = [file for file in os.listdir(f"{path}") if file.endswith(filename_ending)]

start = time.time()

ray.shutdown()
ray.init(num_cpus=os.cpu_count()-1)

@ray.remote    
def read_data(name):
    with open(f"/my_path/{name}", 'r') as f:
        json_data = json.load(f)

    return json_data

all_data = []
for jf in json_files:
    all_data.append(read_data.remote(jf))


final = ray.get(all_data)

end = time.time()

需要 146 秒。

我的问题是为什么ray需要这么多时间？

是不是因为：

1）ray 对于相对较小的数据量来说相对较慢？

2）我的代码做错了什么？

3）ray是不是很有用？

Answer 1

我从未使用过射线，但我很有信心，我的解释应该是正确的。

原始代码进行了简单的 json 反序列化。该代码主要需要文件 IO 和少量 CPU。（json 反序列化相当快，这就是 json 成为流行交换格式的原因之一）

Ray 必须将数据从一个进程推送到另一个进程（如果通过网络分布在多台机器上）。为了做到这一点，它自己执行一些序列化/反序列化（也许它使用 pickle 和强大的 TCP 协议来推送参数并收集结果）。而且这个开销可能比实际任务所需的工作量还要大。

如果您对 json 数据进行更多计算（任何 CPU 密集型数据），那么您将能够看到差异。

我的猜测是，您的示例问题太简单，因此 ray 的开销超出了使用多个工作线程的好处。

换句话说。分配任务和收集结果所花费的时间/精力比执行计算结果实际花费的时间/精力要多。