这种情况应该用多进程还是多线程？

[billgreen1]

有 3000+个 csv 文件，每个文件大小从 0(空文件） kb~5M 左右。

要求：
1.读入 csv 文件
2.对 csv 文件处理(耗时 200ms~7s)
3.将处理好的 csv 存入数据库

第二步如果并行处理的话应该算是“ embarrassing parallel",最简单的，不涉及锁、数据共享等

我现在用的是 multiprocessing.Pool, 里面有 apply, apply_async, map, imap, imap_unordered

concurrency 里面也有一些对应的函数。

什么情况下该用什么函数？

我本想根据下列条件自己整理一下的，但是看了很多资料，有点头大。

1. 阻塞 /非阻塞
2.同步 /异步
3.要求有返回结果 /不用返回结果
4.返回结果必须有序/返回结果可以无序

[imn1]

不需要改动文件的话，我觉得多进程好

[gamexg]

cpu 负载高的必须多进程。
io 多的可以选择多线程。

[congeec]

csv 存到数据库。。你不需要 Python

[billgreen1]

@imn1 @gamexg ,谢谢，这些我都知道。步骤 3 会涉及到锁吧？毕竟要往数据库的同一张表里写。

多进程也有几个选项：

1. 把 main1 并行。
def main1(path):
raw_data = read_csv(path)
result = process(raw_data)
write_to_database(result)

2. 仅仅把 process 用多进程。

你们觉得哪个好？

[cxe2v]

写入数据库用单线程，要写入的数据放在队列里，前面处理可以多线程

[gamexg]

第一个。

除非你用的是 sqlite 数据库，否则这种单纯的写入不需要关心数据库锁。一般可以认为数据库的对并发的处理比用户考虑的仔细。
进程别开的太多就行。

[billgreen1]

@congeec 是要对 csv 文件处理后，然后保存到数据库。

第一步，读取 csv 是阻塞的嘛？

[imn1]

看独立关系
如果整个 csv 要一并计算的，我会把从打开、处理到写入作为一个进程
如果 csv 每条 record 是独立计算的，我会打开若干个 csv 再并入一个队列，多进程计算，再处理写入问题

[em70]

反正我用多进程，编码简单，稳定性高，开 10 个进程，数据库对这点压力不在意