假设我收到一组文档。我需要对它们进行标记,然后将它们转换成向量以进行进一步的工作。由于我发现 elasticsearch 的分词器比我自己的解决方案效果更好,因此我正在改用它。然而,它的速度要慢得多。然后最终结果预计会以流的形式输入到矢量化器中。
整个过程可以通过生成器链表来完成
def fetch_documents(_cursor):
with _cursor:
# a lot of documents expected, may not fit in memory
_cursor.execute('select ... from ...')
for doc in _cursor:
yield doc
def tokenize(documents):
for doc in documents:
yield elasticsearch_tokenize_me(doc)
def build_model(documents):
some_model = SomeModel()
for doc in documents:
some_model.add_document(doc)
return some_model
build_model(tokenize(fetch_documents))
所以这基本上工作正常,但没有利用所有可用的处理能力。由于 dask 在其他相关项目中使用,我尝试适应并得到它(我使用 psycopg2 进行数据库访问)。
from dask import delayed
import psycopg2
import psycopg2.extras
from elasticsearch import Elasticsearch
from elasticsearch.client import IndicesClient
def loader():
conn = psycopg2.connect()
cur = conn.cursor(cursor_factory=psycopg2.extras.DictCursor)
cur.execute('''
SELECT document, ... FROM ...
''')
return cur
@delayed
def tokenize(partition):
result = []
client = IndicesClient(Elasticsearch())
for row in partition:
_result = client.analyze(analyzer='standard', text=row['document'])
result.append(dict(row,
tokens=tuple(item['token'] for item in _result['tokens'])))
return result
@delayed
def build_model(sequence_of_data):
some_model = SomeModel()
for item in chain.from_iterable(sequence_of_data):
some_model.add_document(item)
return some_model
with loader() as cur:
partitions = []
for idx_start in range(0, cur.rowcount, 200):
partitions.append(delayed(cur.fetchmany)(200))
tokenized = []
for partition in partitions:
tokenized.append(tokenize(partition))
result = do_something(tokenized)
result.compute()
代码或多或少都可以工作,除了最后所有文档在输入模型之前都被标记化。虽然这适用于较小的数据集合,但不适用于大量数据集合(由于内存消耗巨大)。我应该只使用普通的 concurrent.futures
来完成这项工作,还是我错误地使用了 dask?
最佳答案
一个简单的解决方案是在计算机上本地加载数据(很难对单个 SQL 查询进行分区),然后将数据发送到 dask 集群以执行昂贵的标记化步骤。也许是这样的:
rows = cur.execute(''' SELECT document, ... FROM ... ''')
from toolz import partition_all, concat
partitions = partition_all(10000, rows)
from dask.distributed import Executor
e = Executor('scheduler-address:8786')
futures = []
for part in partitions:
x = e.submit(tokenize, part)
y = e.submit(process, x)
futures.append(y)
results = e.gather(futures)
result = list(concat(results))
在此示例中,函数 tokenize 和 process 期望使用并返回元素列表。
关于python - 如何使脚本的一部分与 dask 异步?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/38948956/