Pool de multiprocessamento Python para abruptamente

Question

Estou tentando realizar o processamento paralelo para meus requisitos e o código parece estar funcionando conforme o esperado para elementos 4k-5k em paralelo. Mas, assim que os elementos a serem processados ​​começam a aumentar, o código processa algumas listagens e, em seguida, sem gerar nenhum erro, o programa para de funcionar abruptamente.

Verifiquei e o programa não travou, a RAM está disponível (tenho 16 Gb de RAM) e a utilização da CPU não chega a 30%. Não consigo descobrir o que está acontecendo. Tenho 1 milhão de elementos a serem processados.

def get_items_to_download():
    #iterator to fetch all items that are to be downloaded
    yield download_item

def start_download_process():
    multiproc_pool = multiprocessing.Pool(processes=10)
    for download_item in get_items_to_download():
        multiproc_pool.apply_async(start_processing, args = (download_item, ), callback = results_callback)
    
    multiproc_pool.close()
    multiproc_pool.join()

def start_processing(download_item):
    try:
        # Code to download item from web API
        # Code to perform some processing on the data
        # Code to update data into database
        return True
    except Exception as e:
        return False

def results_callback(result):
    print(result)

if __name__ == "__main__":
    start_download_process()

ATUALIZAR -

Encontrado o erro - BrokenPipeError: [Errno 32] Tubo quebrado

Vestígio -

Traceback (most recent call last):
File "/usr/lib/python3.6/multiprocessing/pool.py", line 125, in worker
put((job, i, result))
File "/usr/lib/python3.6/multiprocessing/queues.py", line 347, in put
self._writer.send_bytes(obj)
File "/usr/lib/python3.6/multiprocessing/connection.py", line 200, in send_bytes
self._send_bytes(m[offset:offset + size])
File "/usr/lib/python3.6/multiprocessing/connection.py", line 404, in _send_bytes
self._send(header + buf)
File "/usr/lib/python3.6/multiprocessing/connection.py", line 368, in _send
n = write(self._handle, buf)
BrokenPipeError: [Errno 32] Broken pipe

Answer 1

def get_items_to_download():
    #instead of yield, return the complete generator object to avoid iterating over this function.
    #Return type - generator (download_item1, download_item2...)
    return download_item


def start_download_process():
    download_item = get_items_to_download()
    # specify the chunksize to get faster results. 
    with multiprocessing.Pool(processes=10) as pool:
    #map_async() is also available, if that's your use case.
        results= pool.map(start_processing, download_item, chunksize=XX )  
    print(results)
    return(results)

def start_processing(download_item):
    try:
        # Code to download item from web API
        # Code to perform some processing on the data
        # Code to update data into database
        return True
    except Exception as e:
        return False

def results_callback(result):
    print(result)

if __name__ == "__main__":
    start_download_process()

Answer 2

O código parece correto. A única coisa que consigo pensar é que todos os seus processos estão suspensos, aguardando a conclusão. Aqui está uma sugestão: em vez de usar o mecanismo de retorno de chamada fornecido por apply_async, use o AsyncResultobjeto que é retornado para obter o valor de retorno do processo. Você pode ligargetneste objeto especificando um valor de tempo limite (30 segundos especificados arbitrariamente abaixo, possivelmente não longo o suficiente). Se a tarefa não foi concluída nessa duração, uma exceção de tempo limite será lançada (você pode pegá-la, se desejar). Mas isso testará a hipótese de que os processos estão travando. Apenas certifique-se de especificar um valor de tempo limite que seja suficientemente grande para que a tarefa seja concluída nesse período de tempo. Também dividi os envios de tarefas em lotes de 1.000, não porque acho que o tamanho de 1.000.000 seja um problema em si , mas apenas para que você não tenha uma lista de 1.000.000 de objetos de resultado. Mas se você descobrir que não está mais travando, tente aumentar o tamanho do lote e veja se isso faz diferença.

import multiprocessing

def get_items_to_download():
    #iterator to fetch all items that are to be downloaded
    yield download_item

BATCH_SIZE = 1000

def start_download_process():
    with multiprocessing.Pool(processes=10) as multiproc_pool:
        results = []
        for download_item in get_items_to_download():
            results.append(multiproc_pool.apply_async(start_processing, args = (download_item, )))
            if len(results) == BATCH_SIZE:
                process_results(results)
                results = []
        if len(results):
            process_results(results)
    

def start_processing(download_item):
    try:
        # Code to download item from web API
        # Code to perform some processing on the data
        # Code to update data into database
        return True
    except Exception as e:
        return False

TIMEOUT_VALUE = 30 # or some suitable value

def process_results(results):
    for result in results:
        return_value = result.get(TIMEOUT_VALUE) # will cause an exception if process is hanging
        print(return_value)

if __name__ == "__main__":
    start_download_process()

Atualizar

Com base na pesquisa de várias páginas no Google sobre o erro do tubo quebrado, parece que o erro pode ser o resultado do esgotamento da memória. Consulte Multiprocessamento Python: exceção de tubo quebrado após aumentar o tamanho do pool , por exemplo. O retrabalho a seguir tenta utilizar menos memória. Se funcionar, você pode tentar aumentar o tamanho do lote:

import multiprocessing


BATCH_SIZE = 1000
POOL_SIZE = 10


def get_items_to_download():
    #iterator to fetch all items that are to be downloaded
    yield download_item


def start_download_process():
    with multiprocessing.Pool(processes=POOL_SIZE) as multiproc_pool:
        items = []
        for download_item in get_items_to_download():
            items.append(download_item)
            if len(items) == BATCH_SIZE:
                process_items(multiproc_pool, items)
                items = []
        if len(items):
            process_items(multiproc_pool, items)


def start_processing(download_item):
    try:
        # Code to download item from web API
        # Code to perform some processing on the data
        # Code to update data into database
        return True
    except Exception as e:
        return False


def compute_chunksize(iterable_size):
    if iterable_size == 0:
        return 0
    chunksize, extra = divmod(iterable_size, POOL_SIZE * 4)
    if extra:
        chunksize += 1
    return chunksize


def process_items(multiproc_pool, items):
    chunksize = compute_chunksize(len(items))
    # you must iterate the iterable returned:
    for return_value in multiproc_pool.imap(start_processing, items, chunksize):
        print(return_value)


if __name__ == "__main__":
    start_download_process()