当与多处理一起使用时，PyTesseract 调用工作非常慢

Question

我有一个函数，它接收图像列表并在对图像应用 OCR 后在列表中生成输出。我有另一个函数通过使用多处理来控制此函数的输入。因此，当我有一个列表（即没有多处理）时，列表中的每个图像花费了大约 1 秒，但是当我将必须并行处理的列表增加到 4 个时，每个图像花费了惊人的 13 秒。

为了了解问题的真正所在，我尝试创建一个问题的最小工作示例。这里我有两个函数 eat25 和 eat100，它们打开图像 name 并将其提供给使用 API pytesseract 的 OCR。 eat25 做了 25 次，eat100 做了 100 次。

我的目标是运行 eat100 没有多处理， eat25 有多处理（有 4 个进程）。从理论上讲，如果我有 4 个独立的处理器（我有 2 个内核，每个内核有 2 个线程，因此 CPU(s) = 4（如果我'我在这里错了））。

但是当我看到代码在打印 "Processing 0" 4 次后甚至没有响应时，所有的理论都付诸东流了。不过，单处理器功能 eat100 工作正常。

我已经测试了一个简单的范围立方体函数，它在多处理下工作得很好，所以我的处理器肯定工作得很好。这里唯一的罪魁祸首可能是：

pytesseract：见this
错误的代码？我做的不对。

`

from pathos.multiprocessing import ProcessingPool
from time import time 
from PIL import Image
import pytesseract as pt
def eat25(name):
    for i in range(25):
        print('Processing :'+str(i))
        pt.image_to_string(Image.open(name),lang='hin+eng',config='--psm 6')
def eat100(name):
    for i in range(100):
        print('Processing :'+str(i))
        pt.image_to_string(Image.open(name),lang='hin+eng',config='--psm 6')
st = time()
eat100('normalBox.tiff')
en = time()
print('Direct :'+str(en-st))
#Using pathos
def caller():
    pool = ProcessingPool()
    pool.map(eat25,['normalBox.tiff','normalBox.tiff','normalBox.tiff','normalBox.tiff'])
if (__name__=='__main__'):
    caller()
en2 = time()

print('Pathos :'+str(en2-en))

那么，问题究竟出在哪里呢？感谢您的帮助！

编辑：图像 normalBox.tiff 可以找到 here。如果人们重现代码并检查问题是否仍然存在，我会很高兴。

Answer 1

我是pathos作者。如果您的代码连续使用 1s 到运行，那么很可能在天真的并行过程中需要更长的时间才能达到运行。使用天真的进程并行会产生开销：

必须在每个处理器上启动一个新的 python 实例
您的函数和依赖项需要序列化并发送到每个处理器
您的数据需要序列化并发送给处理器
反序列化相同
您可以运行从长期池或大量数据序列化中解决内存问题。

我建议检查一些简单的事情来检查您的问题可能出在哪里：

尝试 pathos.pools.ThreadPool 使用线程并行而不是进程并行。这可以减少序列化和启动池的一些开销。
尝试 pathos.pools._ProcessPool 更改 pathos 管理池的方式。如果没有下划线，pathos 将池保持为单例，并且需要 'terminate' 来显式终止池。带有下划线的是，当您删除池对象时，池将消失。请注意，您的 caller 函数不会 close 或 join（或 terminate）池。
您可能想通过尝试 dill.dumps 您尝试并行处理的元素之一来检查您正在序列化多少。像大 numpy 数组这样的东西可能需要一段时间才能序列化。如果传递的内容很大，您可以考虑使用共享内存数组（即 multiprocess.Array 或 numpy 数组的等效版本——另请参阅：numpy.ctypeslib）最小化每个进程之间传递的内容。

后者需要做更多的工作，但如果您有很多要序列化的内容，则可以节省大量资金。没有共享内存池，所以如果你需要走那条路，你必须对单个 multiprocess.Process 对象进行 for 循环。

当与多处理一起使用时，PyTesseract 调用工作非常慢

PyTesseract call working very slow when used along with multiprocessing

python

multiprocessing

tesseract

pathos

python-tesseract