使用 UPDATE ... RETURNING 的多个数据库连接,似乎没有更新任务 table 中的行

Multiple Database connections using UPDATE ... RETURNING, seem to not update rows in tasks table

前言

我想并行处理数据库 table 中列出的任务。不寻找工作代码。

设置

使用 Python 3.6、psycopg2.7.6、PostgreSQL 11

D 保存 tables 要处理的数据和 tasks table。 T ssh 的用户进入 P,可以发出以下命令:

python -m core.utils.task

这个 task.py 脚本本质上是一个 while 循环,它从 D[ 上的 tasks table 获取任务 t =90=],状态为 'new',直到没有新任务为止。任务 t 基本上是另一个函数 do_something(t) 的一组参数。 do_something(t) 本身将与 D 建立许多连接以获取需要处理的数据,并在任务完成后将其设置为状态 'done' – while循环从头开始并获得新任务。

为了运行python -m core.utils.task多次我打开了多个ssh连接。不太好,我知道; threadingmultiprocessing 会更好。但他只是为了测试我是否可以 运行 提到的命令两次。

有一个名为 pgsql.py 的管理所有数据库交互的脚本需要它来获取任务,然后由 do_something(t) 执行。我从 this SE post 改编了一个单例模式。

伪代码(大部分)

task.py

import mymodule
import pgsql

def main():
    while True:
        r, c = pgsql.SQL.select_task()  # rows and columns
        task = dotdict(dict(zip(c, r[0])))
        mymodule.do_something(task)

if __name__ == "__main__":
    main()

mymodule.py

import pgsql

def do_something(t):
    input = pgsql.SQL.get_images(t.table,t.schema,t.image_id,t.image_directory)
    some_other_function(input)
    pgsql.SQL.task_status(t.task_id,'done')

pgsql.py

import psycopg2 as pg

class Postgres(object):
    """Adapted from https://softwareengineering.stackexchange.com/a/358061/348371"""
    _instance = None

    def __new__(cls):
        if cls._instance is None:
            cls._instance = object.__new__(cls)
            db_config = {'dbname': 'dev01', 'host': 'XXXXXXXX',
                         'password': 'YYYYY', 'port': 5432, 'user': 'admin'}
            try:
                print('connecting to PostgreSQL database...')
                connection = Postgres._instance.connection = pg.connect(**db_config)
                connection.set_session(isolation_level='READ COMMITTED', autocommit=True)
            except Exception as error:
                print('Error: connection not established {}'.format(error))
                Postgres._instance = None

            else:
                print('connection established')

        return cls._instance

    def __init__(self):
        self.connection = self._instance.connection

    def query(self, query):
        try:
            with self.connection.cursor() as cur:
                cur.execute(query)
                rows = cur.fetchall()
                cols = [desc[0] for desc in cur.description]
        except Exception as error:
            print('error execting query "{}", error: {}'.format(query, error))
            return None
        else:
            return rows, cols

    def __del__(self):
        self.connection.close()

db = Postgres()
class SQL():
    def select_task():
        s = """
            UPDATE schema.tasks
               SET status = 'ready'
             WHERE task_id = (  SELECT task_id
                                  FROM schema.tasks
                                 WHERE tasks.status = 'new'
                                 LIMIT 1)
            RETURNING *
            ;
            """.format(m=mode)
        return Postgres.query(db, s)


    def task_status(id,status):
        s = """
            UPDATE
                schema.tasks
            SET
                status = '{s}'
            WHERE
                tasks.task_id = '{id}'
            ;
            """.format(s=status,
                       id=id)
        return Postgres.query(db, s)

问题

这适用于一个 ssh 连接。任务从数据库中检索并处理,完成后任务设置为 'done'。一旦我在第二个终端中打开第二个 ssh 到 运行 python -m core.utils.task 的连接(可以说是并行的),任务 table 的完全相同的行在两个终端中都会被处理- 忽略它们已更新。

问题

你有什么建议让它发挥作用?有数百万个任务,我需要 运行 并行处理它们。在实施 threadingmultiprocessing 之前,我想先用多个 ssh 连接测试它,坏主意吗?我在 psycopg2set_session() 中摆弄了 isolation levelsautocommit 设置,但没有成功。我检查了数据库服务器中的会话,可以看到 python -m core.utils.task 的每个进程都有自己的 PID,只连接一次,就像这种单例模式应该起作用一样。非常感谢任何想法或指示如何处理这个问题!

主要问题是执行一项任务不是原子操作。因此,在不同的 ssh 会话中,同一个任务可以被处理多次。

In this implementation, you can try to use an "INPROGRESS" status for task so as not to retrieve tasks that are already being processed (with "INPROGRESS" status). But be sure to use autocommit.

但我会使用线程和数据库连接池来实现它。并会使用 OFFSETLIMIT 分批提取任务。 do_somethingselect_tasktask_status 函数将用于批量任务。

此外,没有必要将 Postgres class 实现为单例。


已修改(见下方评论)

  • 您可以将 FOR UPDATE SKIP LOCKED 添加到当前实现中的 SQL 查询(参见 url)。
  • 如果你想使用批处理,然后用一些连续的列分隔数据(好吧,或者只是将数据排序在 table 中)。
  • My implementation using batches.
  • 这可以使用 ThreadPoolExecutorPersistentConnectionPool 来实现。