目前需要从一个 FTP 服务器下载 3 万多个小文件,之前用 multiprocessing 总是下一部分之后就停了,所以尝试用异步加快下载:
class pdb: def __init__(self): self.ids = [] self.dl_id = [] self.err_id = [] async def download_file(self, session, url): try: with async_timeout.timeout(10): async with session.get(url) as remotefile: if remotefile.status == 200: data = await remotefile.read() return {"error": "", "data": data} else: return {"error": remotefile.status, "data": ""} except Exception as e: return {"error": e, "data": ""} async def unzip(self, session, work_queue): while not work_queue.empty(): queue_url = await work_queue.get() print(queue_url) data = await self.download_file(session, queue_url) id = queue_url[-11:-7] ID = id.upper() if not data["error"]: saved_pdb = os.path.join("./pdb", ID, f'{ID}.pdb') if ID not in self.dl_id: self.dl_id.append(ID) with open(f"{id}.ent.gz", 'wb') as f: f.write(data["data"].read()) with gzip.open(f"{id}.ent.gz", "rb") as inFile, open(saved_pdb, "wb") as outFile: shutil.copyfileobj(inFile, outFile) os.remove(f"{id}.ent.gz") else: self.err_id.append(ID) def download_queue(self, urls): loop = asyncio.get_event_loop() q = asyncio.Queue(loop=loop) [q.put_nowait(url) for url in urls] con = aiohttp.TCPConnector(limit=10) with aiohttp.ClientSession(loop=loop, cOnnector=con) as session: tasks = [asyncio.ensure_future(self.unzip(session, q)) for _ in range(len(urls))] loop.run_until_complete(asyncio.gather(tasks)) loop.close() if __name__ == "__main__": x = pdb() urls = ['ftp://ftp.wwpdb.org/pub/pdb/data/structures/divided/pdb/nf/pdb4nfn.ent.gz', 'ftp://ftp.wwpdb.org/pub/pdb/data/structures/divided/pdb/ny/pdb4nyj.ent.gz', 'ftp://ftp.wwpdb.org/pub/pdb/data/structures/divided/pdb/mn/pdb2mnz.ent.gz', 'ftp://ftp.wwpdb.org/pub/pdb/data/structures/divided/pdb/ra/pdb4ra4.ent.gz', 'ftp://ftp.wwpdb.org/pub/pdb/data/structures/divided/pdb/x5/pdb4x5w.ent.gz', 'ftp://ftp.wwpdb.org/pub/pdb/data/structures/divided/pdb/dm/pdb2dmq.ent.gz', 'ftp://ftp.wwpdb.org/pub/pdb/data/structures/divided/pdb/n7/pdb2n7r.ent.gz', 'ftp://ftp.wwpdb.org/pub/pdb/data/structures/divided/pdb/om/pdb2omv.ent.gz', 'ftp://ftp.wwpdb.org/pub/pdb/data/structures/divided/pdb/oy/pdb3oy8.ent.gz', 'ftp://ftp.wwpdb.org/pub/pdb/data/structures/divided/pdb/fe/pdb3fej.ent.gz', 'ftp://ftp.wwpdb.org/pub/pdb/data/structures/divided/pdb/hw/pdb2hw9.ent.gz'] x.download_queue(urls)
报错信息如下:
Traceback (most recent call last):
File "test.py", line 111, in <module>
x.download_queue(urls)
File "test.py", line 99, in download_queue
loop.run_until_complete(asyncio.gather(*tasks))
File "/home/yz/miniconda3/lib/python3.6/asyncio/base_events.py", line 467, in run_until_complete
return future.result()
File "test.py", line 73, in unzip
data = await self.download_file(session, queue_url)
File "test.py", line 65, in download_file
return {"error": remotefile.status, "data": ""}
File "/home/yz/miniconda3/lib/python3.6/site-packages/async_timeout/init.py", line 46, in exit
raise asyncio.TimeoutError from None
concurrent.futures._base.TimeoutError
请大家帮忙看看。谢谢!
发现了很蠢的一个问题……aiohttp
似乎并不支持解析ftp链接,我在urls
里面随机插了一些正常链接就跑得动了……还是感谢大家的帮忙!
![]() | 1 XiaoFaye 2018-01-15 07:46:30 +08:00 via Android ![]() lftp 开多线程 10 万文件我也下载过,一点问题没有啊!除非服务器限制吧。 |
![]() | 3 hareandlion 2018-01-15 07:57:52 +08:00 via iPhone ![]() timeout 时间设置的太短了? |
![]() | 4 noqwerty OP @hareandlion #3 我试过把那行删了,就会一直卡在那,感觉还是其他地方有问题。 |
![]() | 5 hareandlion 2018-01-15 08:03:20 +08:00 via iPhone ![]() 加个 print 看看是不是哪个 url 无效,卡住了 |
![]() | 6 noqwerty OP @hareandlion #5 已经有 print 了呀,会直接把所有链接都打印出来然后卡住…… |
![]() | 7 shoaly 2018-01-15 09:47:22 +08:00 ![]() 老老实实用 python 做一个下载链接的清单, 然后用 aria2c 下载吧... 省出来的时间都是你的 |
![]() | 8 ipwx 2018-01-15 09:57:53 +08:00 ![]() unzip 不要用 async,CPU 密集型。 |
9 bramblex 2018-01-15 10:05:47 +08:00 via iPhone Python 可以真多线程了吗? |
![]() | 11 noqwerty OP @ipwx #8 没太明白,unzip 里面只有取数据那一行用了 await,其他步骤都没有,这样也不可以吗?谢谢帮忙! |
![]() | 12 noqwerty OP @bramblex #9 还是有 GIL 的,估计多线程是有生之年系列了……不过现在多核越来越不值钱,多线程意义也没那么大了吧。 |
![]() | 13 Miksztowi 2018-01-15 11:20:33 +08:00 ![]() 是客户端连接出错了把。从队列中取出 url 后会打印,发生了异常会继续拿,这样的话,如果请求有问题,应该是直接打印所有的 url 后结束? |
![]() | 14 ipwx 2018-01-15 11:27:53 +08:00 ![]() @noqwerty 你的问题在于: with open(f"{id}.ent.gz", 'wb') as f: ....f.write(data["data"].read()) with gzip.open(f"{id}.ent.gz", "rb") as inFile, open(saved_pdb, "wb") as outFile: ....shutil.copyfileobj(inFile, outFile) os.remove(f"{id}.ent.gz") 这几行是没法被 asyncio 通过 Coroutine 并行化的,只能多线程。但是这就产生了两个问题,第一默认的 asyncio 不是多线程并行化的,第二即使设置 asyncio 多线程并行化,考虑到 GIL,Python 多线程也是不够用的。所以总体来说,asyncio 对你这段程序是不够的。还是得上多进程。 |
![]() | 15 ipwx 2018-01-15 11:29:14 +08:00 ![]() @noqwerty asyncio 主要针对网络通讯的并行化,用的是非阻塞模型。关键词可以搜索 select, epoll,了解更多非阻塞模型的事情。 |
![]() | 16 Miksztowi 2018-01-15 11:43:44 +08:00 ![]() @ipwx GIL 在文件 I/O 时不是会释放吗? 支持 async 的文件 I/O 的有: 1.aiofiles: https://github.com/Tinche/aiofiles 2.asyncio 中有 thread pool executor. run_in_executor()也可以处理文件 I/O. 如果还有别的方法,欢迎补充 :) 你说 unzip 是 cpu 密集型,那这跟 GIL 有啥关系? 还是要上多进程。 |
17 ivechan 2018-01-15 12:12:46 +08:00 ![]() @Miksztowi GIL 的存在会使得 Python 里的多线程对 CPU 密集型 程序优化作用有限,而多进程就可以避免这个缺点。 |
&nbs; 18 ivechan 2018-01-15 12:23:03 +08:00 ![]() @ipwx select, epoll 应该只是 I/O 复用,但其实还是属于阻塞模型吧?只不过是在 select 的时候阻塞,而不是在真正的 IO 调用上。 |
![]() | 19 ipwx 2018-01-15 15:51:42 +08:00 ![]() @Miksztowi GIL 的存在导致文件读取的每个原子操作,线程切换的开销增大。而 shutil.copyfileobj,那是个 Python 循环,所以是不可能高效的。aiofiles 那东西在很多平台上面是多线程实现的,你可以 check 一下它的源代码。 基于这个原因,可以认为楼主的程序上多线程没救,所以 asyncio 就没有救(如果多线程有救,asyncio 还是可以用的)。而因为多线程无法使用,CPU 密集型的 unzip 就没法被 asyncio 搞定。这才导出了我的结论,unzip 是 cpu 密集型,不适合 asyncio。 至于 select、epoll 这类 I/O 复用,我觉得可以认为它们是非阻塞模型,因为它们避免了多线程模式下的 while { read } 县线程等待,和 callback 效果等同。我觉得并不一定 callback 才可以被认为是非阻塞,只要看是否达到同样的效果就可以了。 |
![]() | 20 noqwerty OP @ipwx #19 那请问多进程和 asyncio 可以结合起来使用吗?之前用多进程写的也总是跑到一半就自己停了,也不报错。多谢帮助! |
![]() | 21 ipwx 2018-01-16 09:45:23 +08:00 ![]() @noqwerty 我记得 asyncio 有方法用多进程,不过现在的 api 都很基础很难用。所以你这需求用 python 其实挺麻烦的。 |
![]() | 22 linw1995 2018-01-17 22:17:08 +08:00 ![]() 把 unzip,和 writefile 写成一个普通函数,用`concurrent.futures.ProcessPoolExecutor`和`loop.run_in_executor`函数运行,这样就可以结合起来 await loop.run_in_executor(PPExecutor, func, args) https://pymotw.com/3/asyncio/executors.html |
![]() | 23 alexred 2018-03-20 20:38:51 +08:00 为什么我跑你的代码会报 TypeError: Use async with instead 的错 |
24 ssikiki 2018-06-23 12:12:36 +08:00 装 aiohttp 2.3.0 版本, 解决 TypeError: Use async with instead |