最近写python项目,遇到几个多进程的问题
多进程情况下,如何显示总任务的运行进度
用的比较多的是tqdm库,使用非常方便,在有迭代的地方加上tqdm即可。
比如使用Pool.imap()执行任务时
from multiprocessing import Pool
with Pool(4) as p:
res = list(tqdm(p.imap(function_name, params), total=len(params)))
p.close()
p.join()
或者通过for循环执行任务时
from multiprocessing import Pool
pool = Pool(processes=4)
for i in tqdm(range(500)):
pool.apply(test, args=(i,))
pool.close()
pool.join()
我的项目中需要对大量的url进行请求和处理,所以经常会出现某个进程的请求长时间没有响应而被挂起的情况,导致tqdm经常会卡在99%或100%处无法结束。tqdm本身似乎也没有超时机制,所以在利用多进程处理爬虫这类需要进程等待结果的任务时,必须要添加子进程的超时机制。
多进程的超时处理
我研究了一下进程池超时处理的几个办法。比较主流的有以下几种:
- get获取多进程的返回值,获取超时则抛出异常
- 在需要执行的任务函数中添加计时器和时间,超时抛出异常
- 为每个任务进程添加守护进程,由守护进程计算执行的时间,如果超时则守护进程杀死任务进程
多进程超时与总进度条的显示
将多进程超时处理与进度条处理结合了一下
- 方法一
使用map_async处理任务,通过get超时判断进程超时。这个方法实现比较简单,但是运行起来非常的慢。
pool = Pool(processes=4)
for l in tqdm(links,total=1000): # total为links的总数
r = pool.map_async(self.check,(l,))
try:
print(r.get(timeout=3)) # 设置子进程的响应超时为3s
except multiprocessing.context.TimeoutError:
pass
- 方法二
使用imap_unordered()执行任务,进程执行的结果会在进程执行完后就立刻返回,不像map()需要等待所有任务执行完一次性返回结果。这里可以通过next迭代获取该函数所有进程的下的返回值,当获取超时,则抛出超时异常。但是测试发现,如果进程返回超时,.next会重复获取超时进程的返回结果,重复抛出超时异常,而不是在抛出超时异常后执行下一个任务,也相当于是挂起状态了,并没有解决进程超时的问题。看了一下imap_unordered()的源代码,发现next的逻辑是在没有获取到数据之前,会一直重复请求直到取到数据为止。不知道是不是还有别的隐藏技能,总觉得这个逻辑设计的怪怪的。暂时也不知道怎么让.next只获取一次,获取失败就跳到下一个index,所以这个方案只能作罢。
with multiprocessing.Pool() as pool:
it = pool.imap_unordered(self.check, links) #check为任务函数
pbar = tqdm(total=len(links)) #提前设置任务总量
while True:
try:
tmp = it.next(timeout=2)
pbar.update()
except multiprocessing.TimeoutError:
print("link timeout: {}".format(tmp))
continue
except StopIteration:
# signal that the iterator is exhausted
# 如果所有的进程数据都获取完了,next会抛出该异常停止获取
pbar.close()
break
-
方法二改进版
方案二中,.next一直会卡在超时的index上不继续迭代,所以不会有StopIteration异常使while循环停止,陷入死循环。所以想到一个比较简单粗暴的办法,将.next获取返回值的次数(即循环次数)限制为数组长度,避免陷入死循环。
按照该办法可以正常进行超时处理了,但是测试发现这个办法存在一个bug:如果循环中有一个进程没有响应,则该进程后的所有进程返回值都无法获取到,全部被该进程的超时取代。因为.next函数会坚持不懈地去请求获取这个超时进程的数据,导致其他进程的数据没办法获取。emmm…这个办法也只能作罢。 -
方法三
这个是看stackoverflow的大佬们提出的一个方案。建立一个守护进程池。由守护进程新建一个执行任务的进程,并监控执行进程的返回值,如果返回超时,则杀掉执行进程。这个是一圈下来的最佳方案,但是该方案与tqdm冲突,如果使用了tqdm,那么进程函数就不会执行(还没找到原因,哪位大佬知道的可以指点一下),所以需要自己另外写进度显示
# 执行函数
def check(self, url):
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:73.0) Gecko/20100101 Firefox/73.0",
"Connection": "close"}
try:
res = requests.head(url, headers=headers)
return url, res.status_code
except Exception as e:
print(e)
# 守护进程
def abortable_check(self, func, *args, **kwargs):
timeout = kwargs.get('timeout', None)
p = ThreadPool(1)
res = p.apply_async(func, args=args)
try:
out = res.get(timeout) # Wait timeout seconds for func to complete.
# print(out)
return out
except multiprocessing.TimeoutError:
print("{} timeout".format(args[0]))
return (args[0], 444)
# 回调函数
def collectMyResult(self, result):
if result is not None and result[1] == 404:
self.brokenlinks.append(result[0])
if result is not None and result[1] == 444:
self.timeout.append(result[0])
self.count += 1 #全局变量统计任务执行进度
print('\r进度:{}/{}'.format(self.count,self.linkslen), end ='')
def main():
pool = multiprocessing.Pool(maxtasksperchild=10)
for l in links:
a = [l]
abortable_func = partial(self.abortable_check, self.check, timeout=5)
pool.apply_async(abortable_func, args=a, callback=self.collectMyResult)