[python]多进程中的内存复制

[python]多进程中的内存复制

比较好奇python对于多进程中copy on write机制的实际使用情况。目前从实验结果来看，python 使用multiprocessing来创建多进程时，无论数据是否不会被更改，子进程都会复制父进程的状态(内存空间数据等)。所以如果主进程耗的资源较多时，不小心就会造成不必要的大量的内存复制，从而可能导致内存爆满的情况。

示例
举个例子，假设主进程读取了一个大文件对象的所有行，然后通过multiprocessing创建工作进程，并循环地将每一行数据交给工作进程来处理：
[python]
def parse_lines(args): 
    #working  
    ... 
 
def main_logic(): 
    f = open(filename , 'r') 
<SPAN style="COLOR: #cc0000">    lines = f.readlines()</SPAN> 
    f.close() 
 
    pool = multiprocessing.Pool(processes==4) 
    <SPAN style="COLOR: #cc0000">rel = pool.map(parse_lines , itertools.izip(lines , itertools.repeat(second_args)) , int(len(lines)/4))</SPAN> 
    pool.close() 
    pool.join() 

def parse_lines(args):
    #working
    ...

def main_logic():
    f = open(filename , 'r')
    lines = f.readlines()
    f.close()

    pool = multiprocessing.Pool(processes==4)
    rel = pool.map(parse_lines , itertools.izip(lines , itertools.repeat(second_args)) , int(len(lines)/4))
    pool.close()
    pool.join()

以下是top及ps结果：

(四个子进程)

(父进程及四个子进程)

由上两张图可以看出父进程及子进程都各自占用了1.4G左右的内存空间。而大部分内存空间存储的是读数据lines，所以这样的内存开销太浪费。

 

优化计划

计划1:通过内存共享来减少内存的开销。

 

 

 

计划2: 主进程不再读取文件对象，交给每个工作进程去读取文件中的相应部分。

改进代码：

[python]
def line_count(file_name): 
    count = -1 #让空文件的行号显示0  
    for count,line in enumerate(open(file_name)): pass 
    #enumerate格式化成了元组,count就是行号,因为从0开始要+1  
    return count+1 
 
def parse_lines(args): 
    f = open(args[0] , 'r') 
    <SPAN style="COLOR: #cc0000">lines = f.readlines()[args[1]:args[2]] #read some lines</SPAN> 
    f.close()    
    #working  
 
def main_logic(filename,process_num): 
    line_count = line_count(filename) 
    avg_len = int(line_count/process_num) 
    left_cnt = line_count%process_num; 
 
    pool = multiprocessing.Pool(processes=process_num) 
    for i in xrange(0,process_num): 
        ext_cnt = (i>=process_num-1 and [left_cnt] or [0])[0] 
        st_line = i*avg_len 
        <SPAN style="COLOR: #cc0000">pool.apply_async(parse_lines, ((filename, st_line, st_line+avg_len+ext_cnt),))  #指定进程读某几行数据</SPAN> 
    pool.close() 
    pool.join() 

def line_count(file_name):
    count = -1 #让空文件的行号显示0
    for count,line in enumerate(open(file_name)): pass
    #enumerate格式化成了元组,count就是行号,因为从0开始要+1
    return count+1

def parse_lines(args):
    f = open(args[0] , 'r')
    lines = f.readlines()[args[1]:args[2]] #read some lines
    f.close()  
    #working

def main_logic(filename,process_num):
    line_count = line_count(filename)
    avg_len = int(line_count/process_num)
    left_cnt = line_count%process_num;

    pool = multiprocessing.Pool(processes=process_num)
    for i in xrange(0,process_num):
        ext_cnt = (i>=process_num-1 and [left_cnt] or [0])[0]
        st_line = i*avg_len
        pool.apply_async(parse_lines, ((filename, st_line, st_line+avg_len+ext_cnt),))  #指定进程读某几行数据
    pool.close()
    pool.join()
再次用top或者ps来查看进程的内存使用情况：
 (四个子进程)

(父进程及四个子进程)

 

 

小结

对比两次的内存使用情况，改进代码后父进程及子进程所占用的内存明显减少；所有内存占用相当于原来的一半，这就是减少内存复制的效果。

实验暂时先进行到此，关于内存使用这方面还有不少优化方法和空间，稍后继续研究。