故事背景：最近在处理Wikipedia的数据时发现由于数据量过大，之前的文件读取和数据处理方法几乎不可用，或耗时非常久。今天学校安排统一核酸检查，刚好和文件读取的过程非常相似。正好借此机会和大家一起从头梳理一下几种文件读取方法。
故事设定：现在学校要求对所有同学进行核酸采集，每位同学先在宿舍内等候防护人员（以下简称“大白”）叫号，叫到自己时去停车场排队等候大白对自己进行采集，采集完之后的样本由大白统一有序收集并储存。
名词解释：
当学生数量特别少时，可以考虑将所有学生统一叫到停车场等候，再依次进行核酸采集。
方法一：简单情况
此时的程序可以模拟为：
import time
from typing import List
def pick_all_students(dorm: str) -> List[str]:
with open(dorm, "rt", encoding="utf8") as fin:
students = fin.readlines()
return students
def pick_sample(student: str) -> str:
time.sleep(0.01)
sample = f"{student.strip()}'s sample"
return sample
def process(dorm: str, sample_storeroom: str) -> None:
with open(sample_storeroom, "wt", encoding="utf8") as fout:
students = pick_all_students(dorm)
for student in students:
sample = pick_sample(student)
fout.write(f"{sample}\n")
fout.flush()
if __name__ == "__main__":
process(
"student_names.txt",
"sample_storeroom.txt"
)
注意，在第19行中，大白一次性把所有同学都叫到了停车场中。这种做法在学生比较少时做起来很快，但是如果学生特别多，停车场装不下怎么办？
方法二：边读边处理
一般来说，由于停车场空间有限，我们不会采用一次性把所有学生都叫到停车场中，而是会一个一个地处理，这样可以节约内存空间。
import time
from typing import Iterator
def pick_one_student(dorm: str) -> Iterator[str]:
with open(dorm, "rt", encoding="utf8") as fin:
for student in fin:
yield student
def pick_sample(student: str) -> str:
time.sleep(0.01)
sample = f"{student.strip()}'s sample"
return sample
def process(dorm: str, sample_storeroom: str) -> None:
with open(sample_storeroom, "wt", encoding="utf8") as fout:
for student in pick_one_student(dorm):
sample = pick_sample(student)
fout.write(f"{sample}\n")
fout.flush()
if __name__ == "__main__":
process(
"student_names.txt",
"sample_storeroom.txt"
)
这里pick_one_student函数中的返回值是用yield返回的，一次只会返回一名同学。
不过，这种做法虽然确保了停车场不会满员，但是这种做法在人数特别多的时候就不再适合了。虽然可以保证完成任务，但由于每次只能采集一个同学，程序的执行并不高。特别是当你的CPU有多个核时，会浪费机器性能，出现一核有难，其它围观的现象。
大家可能也已经注意到了，刚刚我们的场景中，不论采用哪种方法，都只有一名大白在工作。那我们能不能加派人手，从而提高效率呢？
答案当然是可行的。我们现在先考虑增加两名大白，使得一名大白专注于叫号，安排学生进入停车场，另外一名大白专注于采集核酸，最后一名大白用于存储核酸样本。
方法三
import time
from multiprocessing import Queue, Process
from typing import Iterator
def pick_student(stu_queue: Queue, dorm: str) -> Iterator[str]:
print("pick_student: started")
picked_num = 0
with open(dorm, "rt", encoding="utf8") as fin:
for student in fin:
stu_queue.put(student)
picked_num += 1
if picked_num % 500 == 0:
print(f"pick_student: {picked_num}")
# end signal
stu_queue.put(None)
print("pick_student: finished")
def pick_sample(student: str) -> str:
time.sleep(0.01)
sample = f"{student.strip()}'s sample"
return sample
def process(stu_queue: Queue, store_queue: Queue) -> None:
print("process: started")
process_num = 0
while True:
student = stu_queue.get()
if student is not None:
sample = pick_sample(student)
store_queue.put(sample)
process_num += 1
if process_num % 500 == 0:
print(f"process: {process_num}")
else:
break
# end signal
store_queue.put(None)
print("process: finished")
def store_sample(store_queue: Queue, sample_storeroom: str) -> None:
print("store_sample: started")
store_num = 0
with open(sample_storeroom, "wt", encoding="utf8") as fout:
while True:
sample = store_queue.get()
if sample is not None:
fout.write(f"{sample}\n")
fout.flush()
store_num += 1
if store_num % 500 == 0:
print(f"store_sample: {store_num}")
else:
break
print("store_sample: finished")
if __name__ == "__main__":
dorm = "student_names.txt"
sample_storeroom = "sample_storeroom.txt"
stu_queue = Queue()
store_queue = Queue()
store_p = Process(target=store_sample, args=(store_queue, sample_storeroom), daemon=True)
store_p.start()
process_p = Process(target=process, args=(stu_queue, store_queue), daemon=True)
process_p.start()
read_p = Process(target=pick_student, args=(stu_queue, dorm), daemon=True)
read_p.start()
store_p.join()
这份代码中，我们引入了多进程的思路，将每个大白看作一个进程，并使用了队列Queue作为进程间通信的媒介。stu_queue表示学生叫号进停车场的队列，store_queue表示已经采集过的待存储核酸样本的队列。
此外，为了控制进程的停止，我们在pick_student和 process函数的最后都向各自队列中添加了None作为结束标志符。
假设有1w名学生（student_names.txt文件有1w行），经过测试后发现上述方法的时间如下：
咦？不是做了分工吗？怎么速度还变慢了？经笔者观察，这是因为叫号的大白速度太快了（文件读取速度快）通常是TA已经齐活了，另外俩人还在吭哧吭哧干活呢，体现不出来分工的优势。如果这个时候我们对法二和法三的叫号做延时操作，每个学生叫号之后停滞10ms再叫下一位学生，则方法三的处理时间几乎不变，而方法二的时间则会延长至3m21.345s。
上面提到，大白采核酸的时间较长，往往上一个人的核酸还没采完，下一个人就已经在后面等着了。我们能不能提高核酸采集这个动作（数据处理）的速度呢？其实一名大白执行一次核酸采集的时间我们几乎无法再缩短了，但是我们可以通过增加人手的方式，来达到这个目的。就像去银行办业务，如果开放的窗口越多，那么每个人等待的时间就会越短。这里我们也采取类似的策略，增加核酸采集的窗口。
import time
from multiprocessing import Queue, Process, cpu_count
from typing import Iterator
def pick_student(stu_queue: Queue, dorm: str, num_workers: int) -> Iterator[str]:
print("pick_student: started")
picked_num = 0
with open(dorm, "rt", encoding="utf8") as fin:
for student in fin:
stu_queue.put(student)
picked_num += 1
if picked_num % 500 == 0:
print(f"pick_student: {picked_num}")
# end signal
for _ in range(num_workers):
stu_queue.put(None)
print("pick_student: finished")
def pick_sample(student: str) -> str:
time.sleep(0.01)
sample = f"{student.strip()}'s sample"
return sample
def process(stu_queue: Queue, store_queue: Queue) -> None:
print("process: started")
process_num = 0
while True:
student = stu_queue.get()
if student is not None:
sample = pick_sample(student)
store_queue.put(sample)
process_num += 1
if process_num % 500 == 0:
print(f"process: {process_num}")
else:
break
print("process: finished")
def store_sample(store_queue: Queue, sample_storeroom: str) -> None:
print("store_sample: started")
store_num = 0
with open(sample_storeroom, "wt", encoding="utf8") as fout:
while True:
sample = store_queue.get()
if sample is not None:
fout.write(f"{sample}\n")
fout.flush()
store_num += 1
if store_num % 500 == 0:
print(f"store_sample: {store_num}")
else:
break
print("store_sample: finished")
if __name__ == "__main__":
dorm = "student_names.txt"
sample_storeroom = "sample_storeroom.txt"
num_process = max(1, cpu_count() - 1)
maxsize = 10 * num_process
stu_queue = Queue(maxsize=maxsize)
store_queue = Queue(maxsize=maxsize)
store_p = Process(target=store_sample, args=(store_queue, sample_storeroom), daemon=True)
store_p.start()
process_workers = []
for _ in range(num_process):
process_p = Process(target=process, args=(stu_queue, store_queue), daemon=True)
process_p.start()
process_workers.append(process_p)
read_p = Process(target=pick_student, args=(stu_queue, dorm, num_process), daemon=True)
read_p.start()
for worker in process_workers:
worker.join()
# end signal
store_queue.put(None)
store_p.join()总耗时 0m4.160s ！我们来具体看看其中的细节部分：
首先我们将CPU核数 - 3作为采核酸的大白数量。这里减3是为其它工作进程保留了一些资源，你也可以根据自己的具体情况做调整
这次我们在 Queue中增加了 maxsize参数，这个参数是限制队列的最大长度，这个参数通常与你的实际内存情况有关。如果数据特别多时要考虑做些调整。这里我采用10倍的工作进程数目作为队列的长度
注意这里pick_student函数中要为每个后续的工作进程都添加一个结束标志，因此最后会有个for循环
我们把之前放在process函数中的结束标志提取出来，放在了最外侧，使得所有工作进程均结束之后再关闭最后的store_p进程
总结来说，如果你的数据集特别小，用法一；通常情况下用法二；数据集特别大时用法四。
