我有一个FASTA格式的大文件(40G)。为了加快这个过程,我使用了一个并行步骤pool.map
。首先,使用SeqIO.index
将大文件的索引信息加载到共享内存(使用多处理管理器)。你知道吗
但是当我运行下面的代码时,程序有时会崩溃(回溯只跟踪到pool.map
),特别是在运行许多进程时。如果像两个进程一样运行,它可能会成功。但是,如果我直接将所有数据(而不是索引)加载到内存中(取消对“m\u records2”的注释),程序总是会成功运行。我认为差异来自索引部分。任何建议都将不胜感激!!!你知道吗
import sys
import os
from Bio import SeqIO
from subprocess import *
from multiprocessing import Pool, Manager
manager = Manager()
m_records = manager.dict()
#m_records2 = manager.dict()
m_kmers=manager.dict()
def do_operation(seq):
##do some operations with m_kmers
return
def run_check(read_id):
seq=str(m_records[read_id].seq)
#seq=m_records2[read_id]
do_operation(seq)
def check_reads(n_threads):
read_id_list=list(m_records.keys())
#print read_id_list
pool = Pool(n_threads)
m_rslt=pool.map(run_check, read_id_list)
pool.close()
pool.join()
if __name__ == "__main__":
sf_reads=sys.argv[1]
n_threads=int(sys.argv[2])
m_records=SeqIO.index(sf_reads, "fasta")
# for key in m_records:
# m_records2[key]=str(m_records[key].seq)
check_reads(n_threads)
我可以用一个更小的数据集(所有来自大肠杆菌的蛋白质)重现你的问题,它确实是随机发生的。 问题似乎在于
manager.dict()
在SeqIO.index
上的使用,这是另一种类型。你知道吗从documentation:
从source code:
如果使用
SeqIO.to_dict
,错误会消失,但可能会耗尽内存。我不知道你的具体任务是什么,但也许把FASTA文件分成小块,使用完整的字典可以解决你的问题。你知道吗相关问题 更多 >
编程相关推荐