我有以下问题。
我的目的是处理一堆文档(将所有单词转换为正常形式,例如 'was' --> 'be', 'were' --> 'be', 'went' --> 'go')。
这意味着,我需要打开目录中的每个文件,更改其内容并将其保存在另一个目录中。
由于这个过程很耗时,我决定在joblib的帮助下进行并行处理。
下面的代码可以正常工作(我的意思是,它执行了它必须执行的操作),但是我遇到了一个巨大的内存问题。
它一直在不断增长!
它会一直增长,直到服务器上根本没有剩余内存。
from joblib import delayed, Parallel
def process_text(text):
# some function which processes
# text and returns a new text
return processed_text
def process_and_save(document_id):
with open(path + document_id) as f:
text = f.read()
text = process_text(text)
f = open(other_path + document_id, 'w')
f.write(text)
f.close()
all_doc_ids = # a list of document ids which I need to process
Parallel(n_jobs=10)(delayed(process_and_save)(doc_id) for doc_id in all_doc_ids)
我还尝试将 joblib 更改为 multipricessing:
pool = Pool(10)
pool.map(process_and_save, all_doc_ids)
但事实证明,情况完全一样。
有没有办法解决问题?当然,主要问题是,为什么会发生这种情况?
谢谢!
附言文档非常小,并且在没有并行性的情况下运行时,进程消耗的内存非常少。
最佳答案
似乎这个内存泄漏问题已在最新版本的 Joblib 上得到解决。
他们引入了 loky 后端作为内存泄漏保护措施。
Parallel(n_jobs=10, backend='loky')(delayed(process_and_save)(doc_id) for doc_id in all_doc_ids)
来源:Memory Release after parallel
关于python-2.7 - Joblib 内存使用量不断增长,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/44432840/