4

进口：

from dask.distributed import Client
import streamz
import time

模拟工作量：

def increment(x):
    time.sleep(0.5)
    return x + 1

假设我想在本地 Dask 客户端上处理一些工作负载：

if __name__ == "__main__":
    with Client() as dask_client:
        ps = streamz.Stream()
        ps.scatter().map(increment).gather().sink(print)

        for i in range(10):
            ps.emit(i)

这按预期工作，但sink(print)当然会强制等待每个结果，因此流不会并行执行。

但是，如果我使用buffer()允许缓存结果，则gather()似乎不再正确收集所有结果，并且解释器在获得结果之前退出。这种方法：

if __name__ == "__main__":
    with Client() as dask_client:
        ps = streamz.Stream()
        ps.scatter().map(increment).buffer(10).gather().sink(print)
                                     # ^
        for i in range(10):          # - allow parallel execution 
            ps.emit(i)               # - before gather()

...不会为我打印任何结果。Python 解释器只是在启动脚本后不久退出并在 buffer()发出结果之前退出，因此不会打印任何内容。

但是，如果主进程被迫等待一段时间，结果将以并行方式打印（因此它们不会相互等待，而是几乎同时打印）：

if __name__ == "__main__":
    with Client() as dask_client:
        ps = streamz.Stream()
        ps.scatter().map(increment).buffer(10).gather().sink(print)

        for i in range(10):
            ps.emit(i)

        time.sleep(10)  # <- force main process to wait while ps is working

这是为什么？我认为gather()应该等待一批 10 个结果，因为buffer()在将它们刷新到gather(). 为什么gather()在这种情况下不阻塞？

有没有一种很好的方法来检查 Stream 是否仍然包含正在处理的元素以防止主进程过早退出？

4

1 回答 1

1

  1. “为什么会这样？”：因为 Dask 分布式调度程序（执行流映射器和接收器功能）和您的 python 脚本在不同的进程中运行。当“with”块上下文结束时，您的 Dask 客户端关闭并在发送到流的项目能够到达接收器函数之前关闭执行。

  2. “有没有一种很好的方法来检查 Stream 是否仍然包含正在处理的元素”：我不知道。但是：如果您想要的行为是（我只是在这里猜测）一堆项目的并行处理，那么 Streamz 不是您应该使用的，vanilla Dask 应该就足够了。

于 2020-02-07T11:29:30.300 回答