在Python3中使用多进程读取文件

Question

我有非常大的文件。每个文件几乎是2GB。因此，我想并行运行多个文件。我可以这样做，因为所有的文件都有相似的格式，因此，文件读取可以并行进行。我知道我应该使用多进程库，但是我真的很困惑如何与我的代码一起使用它。

我的文件读取代码是：

def file_reading(file,num_of_sample,segsites,positions,snp_matrix):
    with open(file,buffering=2000009999) as f:
        ###I read file here. I am not putting that code here.
        try:
            assert len(snp_matrix) == len(positions)
            return positions,snp_matrix ## return statement
        except:
            print('length of snp matrix and length of position vector not the same.')
            sys.exit(1)

我的主要职能是：

if __name__ == "__main__":    
    segsites = []
    positions = []
    snp_matrix = []




    path_to_directory = '/dataset/example/'
    extension = '*.msOut'

    num_of_samples = 162
    filename = glob.glob(path_to_directory+extension)

    ###How can I use multiprocessing with function file_reading
    number_of_workers = 10

   x,y,z = [],[],[]

    array_of_number_tuple = [(filename[file], segsites,positions,snp_matrix) for file in range(len(filename))]
    with multiprocessing.Pool(number_of_workers) as p:
        pos,snp = p.map(file_reading,array_of_number_tuple)
        x.extend(pos)
        y.extend(snp)

因此，我对该函数的输入如下：

1. 包含文件名的文件列表
2. num_of_samples - int值
3. segsites最初是一个空列表，当我读取文件时，我想将它追加到其中。
4. 位置-最初是一个空的列表，我想在读取文件时追加到该列表中。
5. snp_matrix --在读取文件时，首先要添加一个空列表。

函数返回最后的位置列表和snp_matrix列表。如何在参数为列表和整数的情况下使用多处理？我使用多重处理的方式给出了以下错误：

TypeError: file_reading()缺少3个必需的位置参数：'segsites'，'snp_matrix'

Answer 1

传递给Pool.map的列表中的元素不会自动解压缩。一般情况下，在“file_reading”函数中只能有一个参数。

当然，这个论点可以是元组，所以自己打开它是没有问题的：

def file_reading(args):
    file, num_of_sample, segsites, positions, snp_matrix = args
    with open(file,buffering=2000009999) as f:
        ###I read file here. I am not putting that code here.
        try:
            assert len(snp_matrix) == len(positions)
            return positions,snp_matrix ## return statement
        except:
             print('length of snp matrix and length of position vector not the same.')
            sys.exit(1)

if __name__ == "__main__":    
    segsites = []
    positions = []
    snp_matrix = []

    path_to_directory = '/dataset/example/'
    extension = '*.msOut'

    num_of_samples = 162
    filename = glob.glob(path_to_directory+extension)

    number_of_workers = 10

    x,y,z = [],[],[]


    array_of_number_tuple = [(filename[file], num_of_samples, segsites,positions,snp_matrix) for file in range(len(filename))]
    with multiprocessing.Pool(number_of_workers) as p:
        pos,snp = p.map(file_reading,array_of_number_tuple)
        x.extend(pos)
        y.extend(snp)