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)
__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))
- 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()
- 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: https://docs.python.org/3/library/queue.html
[2]
队列集: https://docs.python.org/zh-cn/3/library/asyncio-queue.html