并行队列 - 多进程池，Python

Question

我的目标是遍历一个文件夹，计算里面所有文件的MD5值。我参考了一个类似问题的代码来解决这个问题。

并行文件匹配，Python

import os
import re
import sys
import time
import md5

from stat import S_ISREG

import multiprocessing

global queue
size_limit = 500000

target = sys.argv[1]



############Analysis and Multiprocessing####################
############Analysis and Multiprocessing####################
############Analysis and Multiprocessing####################
############Analysis and Multiprocessing####################
############Analysis and Multiprocessing####################
############Analysis and Multiprocessing####################
############Analysis and Multiprocessing####################
############Analysis and Multiprocessing####################
############Analysis and Multiprocessing####################
############Analysis and Multiprocessing####################

def walk_files(topdir):
     """yield up full pathname for each file in tree under topdir"""
     for dirpath, dirnames, filenames in os.walk(topdir):
         for fname in filenames:
             pathname = os.path.join(dirpath, fname)
             yield pathname

 def files_to_search(topdir):
     """yield up full pathname for only files we want to search"""
     for fname in walk_files(topdir):
         try:
             # if it is a regular file and big enough, we want to search it
             sr = os.stat(fname)
             if S_ISREG(sr.st_mode) and sr.st_size <= size_limit:
                 yield fname
         except OSError:
             pass

def worker_search_fn(fname):
     fp = open(fname, 'rt')
     # read one line at a time from file
     contents = fp.read()
     hash = md5.md5(contents)
     global queue
     print "enqueue"
     queue.put(fname+'-'+hash.hexdigest())

################MAIN MAIN MAIN#######################
################MAIN MAIN MAIN#######################
################MAIN MAIN MAIN#######################
################MAIN MAIN MAIN#######################
################MAIN MAIN MAIN#######################

#kick of processes to md5 the files and wait till completeion

queue = multiprocessing.Queue()
pool = multiprocessing.Pool()
pool.map(worker_search_fn, files_to_search(target))
pool.close()
pool.join()

#Should be done, now lets send do our analysis
while not queue.empty():
    print queue.get()

我在代码中添加了“print enqueue”这行，用来调试。我发现当递归遍历一个很大的文件夹时，代码确实会卡住。我不确定是否是因为两个进程同时在访问队列，导致了死锁。

也许有更好的方法来实现这个功能？这个结构不一定要是队列，但必须是无锁的，这样才能充分利用多进程。我想要并行地递归遍历一个文件夹并计算MD5值，完成后再对整个列表进行处理。为了调试，我只是打印出完成的队列。有什么建议吗？

Answer 1

因为大文件夹需要很长时间来执行 walk_files()，所以这不是死锁。

而且……

可以去掉 pool.join()。

multiprocessing.Pool().map() 会一直等到结果准备好，所以你不需要 pool.join()。

Answer 2

不太清楚你的程序是受输入输出（I/O）限制还是受中央处理器（CPU）限制。简单来说，如果你的任务是I/O限制的，比如说减少磁盘读取次数，那么一个进程的表现可能会比多个进程更好。你可以通过设置不同的 nprocesses 值（下面会有示例）来检查哪种方式在你的情况下效果更好。

在这种情况下，你不需要使用队列：

#!/usr/bin/env python
import os
import sys

from hashlib         import md5
from multiprocessing import Pool, freeze_support
from stat            import S_ISREG

def walk_files(topdir):
     """yield up full pathname for each file in tree under topdir"""
     for dirpath, dirnames, filenames in os.walk(topdir):
         for fname in filenames:
             pathname = os.path.join(dirpath, fname)
             yield pathname

def files_to_process(topdir, size_limit):
    """yield up full pathname for only files we want to process"""
    for fname in walk_files(topdir):
        try: sr = os.stat(fname)
        except OSError: pass
        else:
            # if it is a regular file and small enough, we want to process it
            if S_ISREG(sr.st_mode) and sr.st_size <= size_limit:
                yield fname

def md5sum(fname):
    with open(fname, 'rb') as fp:
        # read all file at once
        contents = fp.read()
        hash = md5(contents)
        return fname, hash.hexdigest()

def main(argv=None):
    if argv is None:
        argv = sys.argv
    topdir = argv[1]
    size_limit = 500000
    nprocesses = 1

    pool = Pool(processes=nprocesses)
    files = files_to_process(topdir, size_limit)
    for fname, hexdigest in pool.imap_unordered(md5sum, files):
        print("%s\t%s" % (fname, hexdigest))

if __name__=="__main__":
    freeze_support()
    main()

示例

$ python md5sum.py .
./md5sum.py 9db44d3117673790f1061d4b8f00e8ce