Python 3 asyncio z aioboto3 wydaje się sekwencyjny

Question

Przenoszę prosty skrypt Pythona 3 na AWS Lambda. Skrypt jest prosty: zbiera informacje z kilkunastu obiektów S3 i zwraca wyniki.

Skrypt używany multiprocessing.Pooldo równoległego gromadzenia wszystkich plików. Chociaż multiprocessingnie można go używać w środowisku AWS Lambda, ponieważ /dev/shmbrakuje. Więc pomyślałem, że zamiast pisać brudny multiprocessing.Process/ multiprocessing.Queuezamiennik, spróbuję asynciozamiast tego.

Używam najnowszej wersji aioboto3(8.0.5) w Pythonie 3.8.

Moim problemem jest to, że nie mogę uzyskać żadnej poprawy między naiwnym sekwencyjnym pobieraniem plików a pętlą zdarzeń asyncio, która zwielokrotnia pobieranie.

Oto dwie wersje mojego kodu.

import sys
import asyncio
from concurrent.futures import ThreadPoolExecutor, ProcessPoolExecutor

import boto3
import aioboto3

BUCKET = 'some-bucket'
KEYS = [
    'some/key/1',
    [...]
    'some/key/10',
]

async def download_aio():
    """Concurrent download of all objects from S3"""
    async with aioboto3.client('s3') as s3:
        objects = [s3.get_object(Bucket=BUCKET, Key=k) for k in KEYS]
        objects = await asyncio.gather(*objects)
        buffers = await asyncio.gather(*[o['Body'].read() for o in objects])

def download():
    """Sequentially download all objects from S3"""
    s3 = boto3.client('s3')
    for key in KEYS:
        object = s3.get_object(Bucket=BUCKET, Key=key)
        object['Body'].read()

def run_sequential():
    download()

def run_concurrent():
    loop = asyncio.get_event_loop()
    #loop.set_default_executor(ProcessPoolExecutor(10))
    #loop.set_default_executor(ThreadPoolExecutor(10))
    loop.run_until_complete(download_aio())

Czasy dla obu run_sequential()i run_concurrent()są dość podobne (~ 3 sekundy dla kilkunastu plików 10 MB). Jestem przekonany, że wersja równoległa nie jest z wielu powodów:

• Próbowałem się przełączyć Process/ThreadPoolExecutor, a procesy / wątki pojawiły się na czas trwania funkcji, chociaż nic nie robią
• Czas między sekwencją a współbieżnością jest bardzo zbliżony, chociaż mój interfejs sieciowy zdecydowanie nie jest nasycony, a procesor również nie jest związany
• Czas potrzebny na równoległą wersję rośnie liniowo wraz z liczbą plików.

Jestem pewien, że czegoś brakuje, ale po prostu nie mogę pojąć, co.

Jakieś pomysły?

Answer 1

Po kilku godzinach spędzonych na próbach zrozumienia, jak aioboto3poprawnie używać , zdecydowałem się po prostu przejść na moje rozwiązanie do tworzenia kopii zapasowych. Skończyło się na stworzeniu własnej naiwnej wersji programu multiprocessing.Pooldo użytku w środowisku lambda AWS.

Jeśli ktoś natknie się na ten wątek w przyszłości, oto on. Jest daleki od ideału, ale wystarczająco łatwy do wymiany w takim stanie, w multiprocessing.Pooljakim jest w moich prostych przypadkach.

from multiprocessing import Process, Pipe
from multiprocessing.connection import wait


class Pool:
    """Naive implementation of a process pool with mp.Pool API.

    This is useful since multiprocessing.Pool uses a Queue in /dev/shm, which
    is not mounted in an AWS Lambda environment.
    """

    def __init__(self, process_count=1):
        assert process_count >= 1
        self.process_count = process_count

    @staticmethod
    def wrap_pipe(pipe, index, func):
        def wrapper(args):
            try:
                result = func(args)
            except Exception as exc:  # pylint: disable=broad-except
                result = exc
            pipe.send((index, result))
        return wrapper

    def __enter__(self):
        return self

    def __exit__(self, exc_type, exc_value, exc_traceback):
        pass

    def map(self, function, arguments):
        pending = list(enumerate(arguments))
        running = []
        finished = [None] * len(pending)
        while pending or running:
            # Fill the running queue with new jobs
            while len(running) < self.process_count:
                if not pending:
                    break
                index, args = pending.pop(0)
                pipe_parent, pipe_child = Pipe(False)
                process = Process(
                    target=Pool.wrap_pipe(pipe_child, index, function),
                    args=(args, ))
                process.start()
                running.append((index, process, pipe_parent))
            # Wait for jobs to finish
            for pipe in wait(list(map(lambda t: t[2], running))):
                index, result = pipe.recv()
                # Remove the finished job from the running list
                running = list(filter(lambda x: x[0] != index, running))
                # Add the result to the finished list
                finished[index] = result

        return finished