任务队列设计模式？

Question

假设我有一个简单的昂贵函数，可以将一些结果存储到文件中：

def costly_function(filename):
    time.sleep(10)
    with open('filename', 'w') as f:
        f.write("I am done!)

现在假设我想在 dask 中安排一些这样的任务，然后异步接收这些请求并一个接一个地运行这些函数。我目前正在设置一个 dask 客户端对象...

cluster = dask.distributed.LocalCluster(n_workers=1, processes=False)  # my attempt at sequential job processing
client = dask.distributed.Client(cluster)

...然后交互地（来自 IPython）安排这些作业：

>>> client.schedule(costly_function, "result1.txt")
>>> client.schedule(costly_function, "result2.txt")
>>> client.schedule(costly_function, "result3.txt")

我遇到的问题是这些任务不是运行连续的而是并行的，在我的特定情况下这会导致并发问题。

所以我的问题是：像我上面在 dask 中描述的那样设置作业队列的正确方法是什么？

Answer 1

好吧，我想我可能有 a 解决方案（不过请随意想出更好的解决方案！）。需要稍微修改之前的代价函数：

def costly_function(filename, prev_job=None):
    time.sleep(10)
    with open('filename', 'w') as f:
        f.write("I am done!")

cluster = dask.distributed.LocalCluster(n_workers=1, processes=False)  # my attempt at sequential job processing
client = dask.distributed.Client(cluster)

然后在交互式上下文中，您将编写以下内容：

>>> future = client.submit(costly_function, "result1.txt")
>>> future = client.submit(costly_function, "result2.txt", prev_job=future)
>>> future = client.submit(costly_function, "result3.txt", prev_job=future)

任务队列设计模式？

Dask job queue design pattern?

python

dask

job-queue