Python 3 asyncio с aioboto3 кажется последовательным

Question

Я портирую простой скрипт Python 3 на AWS Lambda. Скрипт прост: он собирает информацию из десятка объектов S3 и возвращает результаты.

Скрипт, используемый multiprocessing.Poolдля параллельного сбора всех файлов. Хотя multiprocessingне может использоваться в среде AWS Lambda, поскольку /dev/shmотсутствует. Поэтому я подумал, что вместо того, чтобы писать грязную multiprocessing.Process/ multiprocessing.Queueзамену, я бы попробовал asyncio.

Я использую последнюю версию aioboto3(8.0.5) на Python 3.8.

Моя проблема в том, что я не могу добиться каких-либо улучшений между наивной последовательной загрузкой файлов и циклом событий asyncio, мультиплексирующим загрузки.

Вот две версии моего кода.

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())

Время для обоих run_sequential()и run_concurrent()довольно похоже (~ 3 секунды для дюжины файлов размером 10 МБ). Я убежден, что параллельной версии нет по нескольким причинам:

• Я попытался переключиться на Process/ThreadPoolExecutor, и у меня процессы / потоки порождались на время выполнения функции, хотя они ничего не делают
• Время между последовательным и параллельным очень близко к одному и тому же, хотя мой сетевой интерфейс определенно не насыщен, и ЦП тоже не привязан.
• Время, затрачиваемое параллельной версией, линейно увеличивается с количеством файлов.

Я уверен, что чего-то не хватает, но я просто не могу понять, что именно.

Есть идеи?

Answer 1

Потратив несколько часов на то, чтобы понять, как aioboto3правильно пользоваться, я решил просто переключиться на свое решение для резервного копирования. Я закончил тем, что скатал свою наивную версию multiprocessing.Poolдля использования в лямбда-среде AWS.

Если кто-то наткнется на эту ветку в будущем, вот она. Он далек от совершенства, но в multiprocessing.Poolмоих простых случаях его достаточно легко заменить как есть.

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