1

.我正在尝试使用 pycassa 加快插入 Cassandra 的速度。我听说使用多线程和打开多个连接可以大大加快速度。我正在插入大量 json 格式的推文。我的代码在这里工作了一段时间，然后线程开始抛出异常并停止，似乎我拥有的线程越多，它停止工作的速度就越快......我猜问题是与 cassandra 的连接，有点做连接池。有任何想法吗？

编辑：所有线程都抛出“线程 Thread-3 中的异常（很可能在解释器关闭期间引发）：”

import time
import pycassa
from pycassa.pool import ConnectionPool
from pycassa.columnfamily import ColumnFamily
from datetime import datetime 
import json
import threadpool
pool = threadpool.ThreadPool(4)
kspool = ConnectionPool('TweetsKS',use_threadlocal = True)

def process_tasks(lines):

    #let threadpool format your requests into a list
    requests = threadpool.makeRequests(insert_into_cfs, lines)

    #insert the requests into the threadpool
    for req in requests:
        pool.putRequest(req) 


def read(file):
    bench = open("bench.txt", "w")
    bench.write(str(datetime.now())+"\n")
    """read data from json and insert into keyspace"""
    json_data=open(file)
    lines = []
    for line in json_data:
        lines.append(line)
    process_tasks(lines)


def insert_into_cfs(line):

    user_tweet_cf = pycassa.ColumnFamily(kspool, 'UserTweet')
    user_name_cf = pycassa.ColumnFamily(kspool, 'UserName')
    tweet_cf = pycassa.ColumnFamily(kspool, 'Tweet')
    user_follower_cf = pycassa.ColumnFamily(kspool, 'UserFollower')

    tweet_data = json.loads(line)
    """Format the tweet time as an epoch seconds int value"""
    tweet_time = time.strptime(tweet_data['created_at'],"%a, %d %b %Y %H:%M:%S +0000")
    tweet_time  = int(time.mktime(tweet_time))

    new_user_tweet(user_tweet_cf,tweet_data['from_user_id'],tweet_time,tweet_data['id'])
    new_user_name(user_name_cf,tweet_data['from_user_id'],tweet_data['from_user_name'])
    new_tweet(tweet_cf,tweet_data['id'],tweet_data['text'],tweet_data['to_user_id'])

    if tweet_data['to_user_id'] != 0:
        new_user_follower(user_follower_cf,tweet_data['from_user_id'],tweet_data['to_user_id'])


"""4 functions below carry out the inserts into specific column families"""     
def new_user_tweet(user_tweet_cf,from_user_id,tweet_time,id):
    user_tweet_cf.insert(from_user_id,{(tweet_time): id})

def new_user_name(user_name_cf,from_user_id,user_name):
    user_name_cf.insert(from_user_id,{'username': user_name})

def new_tweet(tweet_cf,id,text,to_user_id):
    tweet_cf.insert(id,{
    'text': text
    ,'to_user_id': to_user_id
    })  

def new_user_follower(user_follower_cf,from_user_id,to_user_id):
    user_follower_cf.insert(from_user_id,{to_user_id: 0})   

if __name__ == '__main__':
    read('tweets.json')
4

1 回答 1

1

好的，这里的问题是我使用线程池。我需要 pool.wait 之后 pool.putRequest(req) （在循环外） 我的主线程在其余线程之前完成，它们不是守护进程。

有了 2 个线程，我的 Cassandra 插入速度大约是原来的两倍……但你猜怎么着！？它仍然比 MySQL 慢！！有 6 个线程，它几乎是一样的......我猜需要更多的修补！

于 2012-12-12T10:04:39.850 回答