使用 python 的多处理池和映射函数测量进度

我用于并行 csv 处理的以下代码：

#!/usr/bin/env python

import csv
from time import sleep
from multiprocessing import Pool
from multiprocessing import cpu_count
from multiprocessing import current_process
from pprint import pprint as pp

def init_worker(x):
  sleep(.5)
  print "(%s,%s)" % (x[0],x[1])
  x.append(int(x[0])**2)
  return x

def parallel_csv_processing(inputFile, outputFile, header=["Default", "header", "please", "change"], separator=",", skipRows = 0, cpuCount = 1):
  # OPEN FH FOR READING INPUT FILE
  inputFH   = open(inputFile,  "rt")
  csvReader = csv.reader(inputFH, delimiter=separator)

  # SKIP HEADERS
  for skip in xrange(skipRows):
    csvReader.next()

  # PARALLELIZE COMPUTING INTENSIVE OPERATIONS - CALL FUNCTION HERE
  try:
    p = Pool(processes = cpuCount)
    results = p.map(init_worker, csvReader, chunksize = 10)
    p.close()
    p.join()
  except KeyboardInterrupt:
    p.close()
    p.join()
    p.terminate()

  # CLOSE FH FOR READING INPUT
  inputFH.close()

  # OPEN FH FOR WRITING OUTPUT FILE
  outputFH  = open(outputFile, "wt")
  csvWriter = csv.writer(outputFH, lineterminator='\n')

  # WRITE HEADER TO OUTPUT FILE
  csvWriter.writerow(header)

  # WRITE RESULTS TO OUTPUT FILE
  [csvWriter.writerow(row) for row in results]

  # CLOSE FH FOR WRITING OUTPUT
  outputFH.close()

  print pp(results)
  # print len(results)

def main():
  inputFile  = "input.csv"
  outputFile = "output.csv"
  parallel_csv_processing(inputFile, outputFile, cpuCount = cpu_count())

if __name__ == '__main__':
  main()

我想以某种方式测量脚本的进度（只是纯文本，而不是任何花哨的 ASCII 艺术）。我想到的一个选择是比较已成功处理的行init_worker到 input.csv 中的所有行，并打印实际状态，例如每一秒，你能指出我正确的解决方案吗？我发现了几篇有类似问题的文章，但我无法使其适应我的需要，因为都没有使用Pool类和map方法。我还想问一下p.close(), p.join(), p.terminate()方法，我主要看到过它们Process not Pool类，他们有必要吗Pool类以及我是否正确使用它们？使用p.terminate()本来是想用 ctrl+c 来终止进程，但这是不同的 https://stackoverflow.com/questions/32160054/keyboard-interrupts-with-pythons-multiprocessing-pool-and-map-function故事还没有美好的结局。谢谢。

PS：如果重要的话，我的 input.csv 看起来像这样：

0,0
1,3
2,6
3,9
...
...
48,144
49,147

PPS：正如我所说，我是新手multiprocessing我编写的代码可以正常工作。我看到的一个缺点是整个 csv 都存储在内存中，所以如果你们有更好的想法，请随时分享。

Edit

回复 @J.F.Sebastian

这是根据您的建议我的实际代码：

#!/usr/bin/env python

import csv
from time import sleep
from multiprocessing import Pool
from multiprocessing import cpu_count
from multiprocessing import current_process
from pprint import pprint as pp
from tqdm import tqdm

def do_job(x):
  sleep(.5)
  # print "(%s,%s)" % (x[0],x[1])
  x.append(int(x[0])**2)
  return x

def parallel_csv_processing(inputFile, outputFile, header=["Default", "header", "please", "change"], separator=",", skipRows = 0, cpuCount = 1):

  # OPEN FH FOR READING INPUT FILE
  inputFH   = open(inputFile,  "rb")
  csvReader = csv.reader(inputFH, delimiter=separator)

  # SKIP HEADERS
  for skip in xrange(skipRows):
    csvReader.next()

  # OPEN FH FOR WRITING OUTPUT FILE
  outputFH  = open(outputFile, "wt")
  csvWriter = csv.writer(outputFH, lineterminator='\n')

  # WRITE HEADER TO OUTPUT FILE
  csvWriter.writerow(header)

  # PARALLELIZE COMPUTING INTENSIVE OPERATIONS - CALL FUNCTION HERE
  try:
    p = Pool(processes = cpuCount)
    # results = p.map(do_job, csvReader, chunksize = 10)
    for result in tqdm(p.imap_unordered(do_job, csvReader, chunksize=10)):
      csvWriter.writerow(result)
    p.close()
    p.join()
  except KeyboardInterrupt:
    p.close()
    p.join()

  # CLOSE FH FOR READING INPUT
  inputFH.close()

  # CLOSE FH FOR WRITING OUTPUT
  outputFH.close()

  print pp(result)
  # print len(result)

def main():
  inputFile  = "input.csv"
  outputFile = "output.csv"
  parallel_csv_processing(inputFile, outputFile, cpuCount = cpu_count())

if __name__ == '__main__':
  main()

这是输出tqdm:

1 [elapsed: 00:05,  0.20 iters/sec]

这个输出是什么意思？在您引用的页面上tqdm在循环中使用以下方式：

>>> import time
>>> from tqdm import tqdm
>>> for i in tqdm(range(100)):
...     time.sleep(1)
... 
|###-------| 35/100  35% [elapsed: 00:35 left: 01:05,  1.00 iters/sec]

这个输出是有道理的，但是我的输出是什么意思呢？而且 ctrl+c 问题似乎也没有得到解决：点击 ctrl+c 脚本后会抛出一些回溯，如果我再次点击 ctrl+c 则会得到新的回溯，依此类推。杀死它的唯一方法是将其发送到后台（ctr+z），然后杀死它（kill %1）

要显示进度，请替换pool.map with pool.imap_unordered:

from tqdm import tqdm # $ pip install tqdm

for result in tqdm(pool.imap_unordered(init_worker, csvReader, chunksize=10)):
    csvWriter.writerow(result)

tqdm https://github.com/noamraph/tqdm部分是可选的，请参阅控制台中的文本进度栏 https://stackoverflow.com/q/3173320/4279

一不小心，它修复了你的“整个 csv 存储在内存中”和“键盘中断未引发”问题。

这是一个完整的代码示例：

#!/usr/bin/env python
import itertools
import logging
import multiprocessing
import time

def compute(i):
    time.sleep(.5)
    return i**2

if __name__ == "__main__":
    logging.basicConfig(format="%(asctime)-15s %(levelname)s %(message)s",
                        datefmt="%F %T", level=logging.DEBUG)
    pool = multiprocessing.Pool()
    try:
        for square in pool.imap_unordered(compute, itertools.count(), chunksize=10):
            logging.debug(square) # report progress by printing the result
    except KeyboardInterrupt:
        logging.warning("got Ctrl+C")
    finally:
        pool.terminate()
        pool.join()

您应该每隔一段时间就会看到批量输出.5 * chunksize秒。如果你按Ctrl+C;你应该看到KeyboardInterrupt在子进程和主进程中引发。在Python 3中，主进程立即退出。在 Python 2 中，KeyboardInterrupt延迟到应该打印下一批（Python 中的错误）。