【模板】Python多进程文件处理

人生苦短，所以用了Python，但是Python慢啊，所以依旧苦短。好在可以开n倍加速早点阶数这无聊的等待时间。

在NLP任务中经常会遇到对大文本进行处理的任务，这些任务包括但不限于：

• 分词
• 词性标注
• 词频统计（大名鼎鼎的WordCount）
• 关键词提取
• 大小写转换（当然这个bash命令更方便了，放在这里只是为了凑数:）

为了方便描述，就用task(line)笼统地表示处理这些任务的函数吧，line是每一行的句子。

在常规使用Pythn的时候，我们会打开一个文件然后一行一行地处理：

with open(file, encoding="utf8") as f:
    for line in f:
        task(line)

但是这个方式的处理速度是十分感人的，单进程的处理使得本身就已经很慢的Python只能在处理小文本的时候发挥优势，真正做到了一核有难，八核围观。

那么还有一种方法就是使用多核加速文件读取速度了。在C++、Java等语言中发挥多核优势可以选择用多线程或多进程，特别是多线程能共享内存，只要保证了线程安全就是一种加轻量化的加速方案。

但是Python一般会因为GIL（Global Interpreter Lock）导致多线程速度反而更慢，那么就只剩下多进程了。

经过一段时间的摸索核实践，我总结出一个使用多进程加速处理文件的模板，在实践中已经验证了其可行性。主要思想和Map-Reduce类似。

需要用到的库有这些：

import logging          # 非必须，如果不嫌麻烦可以用print代替
import multiprocessing  # Python自带的多进程库
from itertools import islice    # 便于一次性读取多行

准备好了库后，就可以给出主要的操作流程了：

def multiprocess_task(file, workers:int, batch:int):
    """
    参数：
        file:       需要处理的文件名
        workers:    进程数量
        batch:      一次处理的行数
    """
    results = []

    x = 0   # 行数统计
    fp = open(corpus, encoding="utf8")
    pool = multiprocessing.Pool(workers) if workers > 1 else None

    try:
        while True:
            lines = list(islice(fp, batch))
            if not lines:
                break
            
            # 多核处理
            if workers > 1:
                # 切分数据块
                minibatch = len(lines) // workers
                datas = [lines[i*minibatch: (i+1)*minibatch] for i in range(workers)]

                # 使用pool.starmap并行执行task，相当于Map
                result = pool.starmap(task, datas)

                # 合并处理结果，相当于Reduce
                results = merge(results, result)

            # 单核处理
            else:
                results = merge(results, task(lines))

            x += len(lines)
            logging.info(f"{x} lines read.")

    except Exception as e:
        # 异常需谨慎处理，不建议用Exception直接捕获
        logging.info(e)
        return None

    finally:
        if pool:
            pool.close()
        fp.close()

    return results

当workers大于1时，上面的代码在pool.starmap阶段会将数据分发到不同的子进程中处理，返回的结果在merge中合并。

讲道理这种实验是要对比结果的，不过之前使用的时候没记录……反正快了不少就是了（手动狗头）。