已解决: Python多处理imap BrokenPipeError：[Errno 32]断开管道pdftoppm

Question

首先，我要说的是，这不是其他类似问题的重复，在其他类似问题中，人们倾向于更密切地管理工人池。

在使用multiprocessing.Pool.imap时，我一直在努力处理代码抛出的以下异常：

  File "/usr/local/bin/homebrew/Cellar/python@2/2.7.17/lib/python2.7/multiprocessing/process.py", line 267, in _bootstrap
    self.run()
  File "/usr/local/bin/homebrew/Cellar/python@2/2.7.17/lib/python2.7/multiprocessing/process.py", line 114, in run
    self._target(*self._args, **self._kwargs)
  File "/usr/local/bin/homebrew/Cellar/python@2/2.7.17/lib/python2.7/multiprocessing/pool.py", line 122, in worker
    put((job, i, (False, wrapped)))
  File "/usr/local/bin/homebrew/Cellar/python@2/2.7.17/lib/python2.7/multiprocessing/queues.py", line 390, in put
    return send(obj)
IOError: [Errno 32] Broken pipe

在执行下面的主程序时，在不同的时间点会出现这种情况：

    pool = mp.Pool(num_workers)
    # Calculate a good chunksize (based on implementation of pool.map)
    chunksize, extra = divmod(lengthData, 4 * num_workers)
    if extra:
        chunksize += 1

    func = partial(pdf_to_txt, input_folder=inputFolder, junk_folder=imageJunkFolder, out_folder=outTextFolder,
                   log_name=log_name, log_folder=None,
                   empty_log=False, input_folder_iterator=None,
                   print_console=True)

    flag_vec = pool.imap(func, (dataFrame['testo accordo'][i] for i in range(lengthData)), chunksize)
    dataFrame['flags_conversion'] = pd.Series(flag_vec)
    dataFrame.to_excel("{0}logs/{1}.xlsx".format(outTextFolder, nameOut))
    pool.close()
    pool.join()

仅供参考，partial函数接受非OCR PDF文件，将它们拆分成每页的图像，并使用pytesseract运行OCR。

我在以下机器上运行代码：

This is a physical machine (PowerEdge R930) running RedHat 7.7 (Linux 3.10.0).

Processor:  Intel(R) Xeon(R) CPU E7-8880 v3 @ 2.30GHz (x144)
Memory:     1.48 TiB
Swap:       7.81 GiB
Uptime:     21 days

也许我应该降低块的大小？这对我来说真的很不清楚。我注意到，当服务器上可用的工作者较少时，代码似乎工作得更好……

Answer 1

在经历了许多痛苦之后，我发现问题出在pdftoppm (即使用pdf2image)。似乎pdftoppm有时会卡住而不引发任何异常。

如果有人遇到这个问题，我强烈建议改用PyMuPDF从pdf中提取图像。它更快，更稳定！