多次访问 python 中的 mmap 对象

Question

我有许多文件映射到内存（作为 mmap 个对象）。在处理过程中，每个文件都必须打开多次。如果只有一个线程，它工作正常。但是，当我尝试运行并行执行任务时，出现了一个问题：不同的线程不能同时访问同一个文件。此示例说明了该问题：

import mmap, threading

class MmapReading(threading.Thread):
    def __init__(self):
        threading.Thread.__init__(self)
    def run(self):
        for i in range(10000):
            content = mmap_object.read().decode('utf-8')
            mmap_object.seek(0)
            if not content:
                print('Error while reading mmap object')

with open('my_dummy_file.txt', 'w') as f:
    f.write('Hello world')
with open('my_dummy_file.txt', 'r') as f:
    mmap_object = mmap.mmap(f.fileno(), 0, prot = mmap.PROT_READ)

threads = []
for i in range(64):
    threads.append(MmapReading())
    threads[i].daemon = True
    threads[i].start()
for thread in threading.enumerate():
    if thread != threading.current_thread():
        thread.join()

print('Mmap reading testing done!')

每当我运行这个脚本时，我都会收到大约 20 条错误消息。

除了为每个文件制作 64 个副本（在我的情况下这会消耗太多内存）之外，有没有办法避免这个问题？

Answer 1

seek(0) 并不总是在另一个线程跳入并执行 read() 之前执行。

假设线程 1 执行读取，读取到文件末尾； seek(0) 有尚未执行。
然后线程2执行读取。 mmap中的文件指针仍然是在文件的末尾。 read() 因此 returns ''.
因为content是''，所以触发了错误检测代码。

不使用 read()，您可以使用切片来获得相同的结果。替换：

    content = mmap_object.read().decode('utf-8')
    mmap_object.seek(0)

和

    content = mmap_object[:].decode('utf8')

content = mmap_object[:mmap_object.size()] 也有效。

锁定是另一种方式，但在这种情况下没有必要。如果你想尝试一下，你可以使用全局 threading.Lock 对象并在实例化时将其传递给 MmapReading。将锁对象存储在实例变量 self.lock 中。然后在reading/seeking之前调用self.lock.acquire()，之后调用self.lock.release()。执行此操作时您会遇到非常明显的性能损失。

from threading import Lock

class MmapReading(threading.Thread):
    def __init__(self, lock):
        self.lock = lock
        threading.Thread.__init__(self)

    def run(self): 
        for i in range(10000):
            self.lock.acquire()
            mmap_object.seek(0)
            content = mmap_object.read().decode('utf-8')
            self.lock.release()
            if not content:
                print('Error while reading mmap object')

lock = Lock()
for i in range(64):
    threads.append(MmapReading(lock))
.
.
.

请注意，我已经更改了读取和查找的顺序；先查找更有意义，将文件指针定位在文件的开头。

Answer 2

我看不出你需要 mmap 从哪里开始。 mmap 是一种在进程之间共享数据的技术。你为什么不把内容读入内存（一次！）例如作为列表？然后每个线程将使用它自己的一组迭代器访问列表。另外，请注意 Python 中的 GIL，它可以防止使用多线程进行任何加速。如果需要，请使用多处理（然后然后映射文件有意义，但实际上在各个进程之间共享）

Answer 3

问题是单个 mmap_object 正在线程之间共享，因此线程 A 调用 read 并且在它到达查找之前，线程 B 也调用 read，因此没有数据。

您真正需要的是能够在不复制底层 mmap 的情况下复制 python mmap 对象，但我认为没有办法做到这一点。

我认为除了重写对象实现之外唯一可行的解决方案是为每个 mmap 对象使用一个锁（互斥锁等）以防止两个线程同时访问同一个对象。

多次访问 python 中的 mmap 对象

Multiple access to mmap objects in python

python

multithreading

mmap