文 | 李晓飞 假如我们需要处理一个文本文件,里面有 100万行数据,需要对每条数据做处理,比如将每行数据的数字做一个运算,放入到另一个文件里。 最简单的办法就是打开文件,逐行读取,每读取一行,对这一行做下处理,添加到目标文件中,再回来读取下一行。 这就是线性处理方式,假如处理一行数据需要 0.1 秒,那么用线性处理方式就需要: 10万秒,即大概 28个小时
显然对我们来说,这个时间有点长,有没用办法缩短呢? 当然有办法,那就是用 多线程 处理! 为什么呢?是因为多线程是提高效率,实现更有效程序的必然状态。 比如,需要处理大量的数据,需要响应多样的请求,需要与慢速的处理过程交互等等,都需要用到线程编程。 但是,线程这个概念不太好理解,用起来也总是不方便,而且容易出错,一方面是因为,我们的思路是线性的,另一方面是多线程本身有很多需要掌握的概念,学习理解难度比较高。 今天我将分享一下我在工作中是如何利用多线程技术,提速增效的。 对于前面那个例子,可以将原来的一个处理流程,分解为多个,例如之前的处理可以分解为: 读取行、做运算、存文件 三个自流程。 这样的话,相当于将只能一个人做的工作,可以让更多的人来做,从而形成类似的流水线效应,如图所示: 流水线 这是一张 CPU 处理指令的流水线示意图,可以看到在 t3 和 t4 的时间,四个工作在同时进行。 那么用多线程,就可以使我们的三个工作出现同时运行的状态,提升效率,比如先读取一行,然后再处理数据的同时,读取下一行,如此往复。 是不是感觉很好? 先别着急,首先需要解决一个问题 —— 如何避免重复读和跳读
重复读指的是,一个以上线程读取到了同一条数据; 跳读指的是,有些数据行没有任何线程处理。 这里介绍一个帮助我处理了很多多线程问题的方法,一个数据源类。
多线程数据源类数据源类,就是将数据集中管理,然后以线程安全的方式为多线程程序提供数据。 注意:并非最佳方法,但很实用
废话不多说,直接看代码: import threading
class DataSource: def __init__(self, dataFileName, startLine=0, maxcount=None): self.dataFileName = dataFileName self.startLine = startLine # 第一行行号为1 self.line_index = startLine # 当前读取位置 self.maxcount = maxcount # 读取最大行数 self.lock = threading.RLock() # 同步锁
self.__data__ = open(self.dataFileName, 'r', encoding= 'utf-8') for i in range(self.startLine): l = self.__data__.readline()
def getLine(self): self.lock.acquire() try: if self.maxcount is None or self.line_index < (self.startLine + self.maxcount): line = self.__data__.readline() if line: self.line_index += 1 return True, line else: return False, None else: return False, None
except Exception as e: return False, "处理出错:" + e.args finally: self.lock.release()
def __del__(self): if not self.__data__.closed: self.__data__.close() print("关闭数据源:", self.dataFileName)
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7.
- 8.
- 9.
- 10.
- 11.
- 12.
- 13.
- 14.
- 15.
- 16.
- 17.
- 18.
- 19.
- 20.
- 21.
- 22.
- 23.
- 24.
- 25.
- 26.
- 27.
- 28.
- 29.
- 30.
- 31.
- 32.
- 33.
- 34.
- 35.
- 36.
-
__init__ 初始化方法,接受 3 个参数 lock 属性是一个同步锁,以便在多线程读取不出现冲突
-
dataFileName 是数据文件路径 -
startLine 开始读取行,对于大文件需要分配处理时特别有用, -
maxcount 读取最大行数,通过和 startLine 配合可以读取指定部分的数据,默认为全部读取
-
getLine 方法,每次调用会返回一个元组,包含状态和得到的,数据 -
__del__ 方法会在对象销毁时调用,在此记录当前处理位置
这样就是可以应用在多线程程序中,承担读取待处理记录的任务了。
业务处理
例如核心处理程序如下: import time
def process(worker_id, datasource): count = 0 while True: status, data = datasource.getLine() if status: print(">>> 线程[%d] 获得数据, 正在处理……" % worker_id) time.sleep(3) # 等待3秒模拟处理过程 print(">>> 线程[%d] 处理数据 完成" % worker_id) count += 1 else: break # 退出循环 print(">>> 线程[%d] 结束, 共处理[%d]条数据" % (worker_id, count))
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7.
- 8.
- 9.
- 10.
- 11.
- 12.
- 13.
- 14.
- 参数
worker_id 是线程号,用于区分输出消息 - 参数
datasource 是 DataSource 的实例,作为各线程的共享数据源 -
count 用于记录当前线程处理的记录数 - 用一个死循环,驱动反复处理,直到读取没数据可读
组装
线程组装部分就也很简单: import threading
def main(): datasource = DataSource('data.txt') workercount = 10 # 开启的线程数,注意:并非越多越快哦 workers = [] for i in range(workercount): worker = threading.Thread(target=process, args=(i+1, datasource)) worker.start() workers.append(worker)
for worker in workers: worker.join()
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7.
- 8.
- 9.
- 10.
- 11.
- 12.
- 13.
- 先初始化一个
DataSource -
workercount 为需要创建的线程数,在实际应用中可以通过配置或者参数提供,另外不是线程越多越好,一般设置为CPU核心数的两倍即可 -
threading.Thread 是线程类,可以实例化一个线程,target 参数是线程处理方法,这里就是前面定义的 process 方法,args 为提供给处理方法的参数 - 线程的
start 方法是启动线程,因为创建不等于启动,start 是个异步方法,调用会瞬间完成 -
join 方法是等待线程处理完成,是同步方法,只有线程真正处理完成才会结束
扩展通过这样的方式,帮我处理了很多实际的业务,比如爬取关键字信息,合并数据等等。 如果处理的数据不是文本文件,只要修改一下 DataSource 的 getLine 实现就可以了,比如数据源来自数据库等。 另外,上面的 DataSource 并非最优的,只是起到了规范读取接口,防止数据误读的作用,完全谈不上性能最优。 那么如何实现更优呢,这里提供一个思路就是,使用生产者消费者模型,利用 队列,以及 预读取 技术来实现更优的数据源类。 例如,DataSource 中,是逐行读取的,可以采用预读取,即提前读取一些数据,当线程需要数据时,先给出预读取的,等预读取的数据消费到一定量时,再异步读取一部分。 这样的好处是,各个线程不必等待 IO 时间(简单理解为从文件或者网络读取的等待时间)。 如何实现呢,可以了解一下队列(queue )的概念,Python 中提供了两种队列,同步队列 queue[1] 和 队列集[2]。 想想具体应该怎么做呢?欢迎在留言区写下你的方法和建议。
总结今天分享了一个在实际工作中用到的,多线程处理数据的例子,例子虽然简单,但很实用,已经帮助我处理了很多重要的工作。 谈一些感悟,Python 的应用并不仅限于数据分析、AI 领域等热门领域,更多的可以应用在于处理日常生活工作中,比如处理数据,代替手工操作,简单运算等。 我们知道,学会一个东西最好的方式是使用,对于 Python 技能来说,也是一样的,多在日常工作中用,多去解决实际问题,不用卯足了劲儿,憋个大招。 祝你在 Python 大道上越走越顺,比心! 参考资料[1] 同步队列: [2] 队列集: PS:公号内回复「Python」即可进入Python 新手学习交流群,一起 100 天计划! 老规矩,兄弟们还记得么,如果感觉文章内容不错的话,记得分享让更多的人知道!
|