扭曲:等待子任务完成

Question

在我的代码中，我有两个假设的任务:一个从生成器获取urls并使用Twisted的Cooperator批量下载它们，另一个使用下载的源代码并异步地解析它。我试图将所有的提取和解析任务封装到一个延迟对象中，这个对象在下载所有页面和解析所有源时调用。

我想出了以下解决方案：

from twisted.internet import defer, task, reactor, threads
from twisted.web.client import getPage


BATCH_SIZE = 5

def main_task():
    result = defer.Deferred()
    state = {'count': 0, 'done': False}

    def on_parse_finish(r):
        state['count'] -= 1
        if state['done'] and state['count'] == 0:
            result.callback(True)

    def process(source):
        deferred = parse(source)
        state['count'] += 1
        deferred.addCallback(on_parse_finish)

    def fetch_urls():
        for url in get_urls():
            deferred = getPage(url)
            deferred.addCallback(process)
            yield deferred

    def on_finish(r):
        state['done'] = True

    deferreds = []

    coop = task.Cooperator()
    urls = fetch_urls()
    for _ in xrange(BATCH_SIZE):
        deferreds.append(coop.coiterate(urls))

    main_tasks = defer.DeferredList(deferreds)
    main_tasks.addCallback(on_finish)

    return defer.DeferredList([main_tasks, result])

# `main_task` is meant to be used with `blockingCallFromThread`
# The following should block until all fetch/parse tasks are completed:
# threads.blockingCallFromThread(reactor, main_task)

代码可以工作，但我感觉好像我忽略了一些显而易见的东西，或者不知道一个简单的扭曲模式，这会使事情变得更简单。是否有更好的方法来返回在所有获取和解析完成后调用的单个延迟？

Answer 1

正如目前所写的，在我看来，这段代码的并行下载数量有限，但并行解析作业的数量却是无限的。这是故意的吗？我将假定为“否”，因为如果您的网络碰巧速度快，解析器的速度恰好慢，因为URL的数量接近无穷大，您的内存使用量也是如此:)。

因此，这里有一件事将具有有限的并行性，但是可以对下载执行顺序分析，而不是：

from twisted.internet import defer, task
from twisted.web.client import getPage

BATCH_SIZE = 5

def main_task(reactor):
    def fetch_urls():
        for url in get_urls():
            yield getPage(url).addCallback(parse)

    coop = task.Cooperator()
    urls = fetch_urls()

    return (defer.DeferredList([coop.coiterate(urls)
                               for _ in xrange(BATCH_SIZE)])
            .addCallback(task_finished))

task.react(main_task)

这是因为parse (显然)返回一个Deferred，所以将它作为回调添加到getPage返回的回调会导致一个Deferred，在parse完成其业务之前不会调用coiterate添加的回调。

由于您询问的是惯用的Twisted代码，我还冒昧地对其进行了现代化(使用task.react而不是手动运行反应堆、内联表达式以使事情变得更简短等等)。

如果您确实希望拥有比并行获取更多的并行解析，那么这样的操作可能会更好：

from twisted.internet import defer, task
from twisted.web.client import getPage

PARALLEL_FETCHES = 5
PARALLEL_PARSES = 10

def main_task(reactor):
    parseSemaphore = defer.DeferredSemaphore(PARALLEL_PARSES)

    def parseWhenReady(r):
        def parallelParse(_):
            parse(r).addBoth(
                lambda result: parseSemaphore.release().addCallback(
                    lambda _: result
                )
            )
        return parseSemaphore.acquire().addCallback(parallelParse)

    def fetch_urls():
        for url in get_urls():
            yield getPage(url).addCallback(parseWhenReady)

    coop = task.Cooperator()
    urls = fetch_urls()

    return (defer.DeferredList([coop.coiterate(urls)
                               for _ in xrange(PARALLEL_FETCHES)])
            .addCallback(lambda done:
                         defer.DeferredList(
                            [parseSemaphore.acquire()
                             for _ in xrange(PARALLEL_PARSES)]
                         ))
            .addCallback(task_finished))

task.react(main_task)

您可以看到，parseWhenReady返回了从acquire返回的Deferred，因此，并行抓取将在并行解析一开始就继续进行，因此即使解析器重载，也不会继续任意提取。但是，parallelParse谨慎地避免返回parse或release返回的Deferred，因为获取应该能够在这些过程中继续。

(请注意，由于您最初的示例无法运行，所以我根本没有测试过这两个示例。希望即使存在bug，意图也是明确的。)