我试图通过apply()
向dask分布式工作线程发送一个2GB的CPython只读对象(可以被pickle)。进程消耗了14 GB的内存。在
有没有一种方法可以只将对象加载到内存中一次,并让工作人员同时使用该对象?在
我有2个Dask系列源代码清单和模式清单,分别包含700万和300万个字符串。我试图从Pattern_list(3M)中找到Source_list(7M)中的所有子字符串匹配。在
为了加速子字符串搜索,我使用pyahocorasick包从Pattern_list(该对象是可pickle的)创建一个Cpython数据结构(类对象)。在
distributed.worker - WARNING - Memory use is high but worker has no data to
store to disk. Perhaps some other process is leaking memory? Process memory:
2.85 GB -- Worker memory limit: 3.00 GB
使用分布式dask运行,内存限制增加到8GB/16GB:
线程
distributed.worker - WARNING - Memory use is high but worker has no
data to store to disk. Perhaps some other process is leaking
memory?
Process memory: 14.5 GB -- Worker memory limit: 16.00 GB
distributed.nanny - WARNING - Worker exceeded 95% memory budget. Restarting
流程 需要超过2.5小时来处理,我从来没有看到它完成(让它运行了8个多小时,然后取消)。它还消耗10+GB的 内存
Source_list.str.find_all(Pattern_list)
需要2.5个小时以上。在# OS = Windows 10
# RAM = 16 GB
# CPU cores = 8
# dask version 1.1.1
import dask.dataframe as dd
import ahocorasick
from dask.distributed import Client, progress
def create_ahocorasick_trie(pattern_list):
A = ahocorasick.Automaton()
for index, item in pattern_list.iteritems():
A.add_word(item,item)
A.make_automaton()
return A
if __name__ == '__main__':
client = Client(memory_limit="12GB",processes=False)
# Using Threading, because, the large_object seems to get copied in memory
# for each process when processes = True
Source_list = dd.read_parquet("source_list.parquet")
Pattern_list = dd.read_parquet("pattern_list.parquet")
# Note: 'source_list.parquet' and 'pattern_list.parquet' are generated via dask
large_object = create_ahocorasick_trie(Pattern_list)
result = Source_list.apply(lambda source_text: {large_object.iter(source_text)}, meta=(None,'O'))
# iter() is an ahocorasick Cpython method
progress(result.head(10))
client.close()
简单的回答是用达斯克。延迟呼叫
Dask将根据需要移动它,并将其视为自己的一段数据。也就是说,它需要存在于每个工人身上,所以每个工人的RAM应该比这个东西占用的内存多得多。(至少4倍或更多)。在
相关问题 更多 >
编程相关推荐