在 Uvicorn 中与多个工作线程一起使用多重处理（线程锁）

我正在使用通过 uvicorn 提供的 FastAPI 构建一个 API。 该 API 具有使用 python 多处理库的端点。

端点为 CPU 密集型任务生成多个进程以并行执行它们。 以下是高级代码逻辑概述：

import multiprocessing as mp

class Compute:
    
    def single_compute(self, single_comp_data):
        # Computational Task CPU BOUND
        global queue
        queue.put(self.compute(single_comp_data))

    def multi_compute(self, task_ids):
        # Prepare for Compuation
        output = {}
        processes = []
        global queue
        queue = mp.Queue()
        
        # Start Test Objs Computation
        for tid in task_ids:
            # Load  task data here, to make use of object in memory cache
            single_comp_data = self.load_data_from_cache(tid)
            p = mp.Process(target=self.single_compute, args=single_comp_data)
            p.start()
            processes.append(p)

        # Collect Parallel Computation
        for p in processes:
            result = queue.get()
            output[result["tid"]]= result
            p.join()

        return output

下面是简单的 API 代码：

from fastapi import FastAPI, Response
import json


app = FastAPI()
#comp holds an in memory cache, thats why its created in global scope
comp = Compute()

@app.get("/compute")
def compute(task_ids):
    result = comp.multi_compute(task_ids)
    return Response(content=json.dumps(result, default=str), media_type="application/json")

当像这样与多个工作人员一起运行时：

uvicorn compute_api:app --host 0.0.0.0 --port 7000 --workers 2

我收到这个 python 错误

TypeError: can't pickle _thread.lock objects

只有 1 个工作进程就可以了。该程序在 UNIX/LINUX 操作系统上运行。

有人可以向我解释一下为什么这里的多个 uvicorn 进程不可能分叉一个新进程，以及为什么我会遇到这个锁？

最终应该实现的目标很简单：

uvicorn 进程会产生多个其他进程（子进程 通过 fork）以及该 uvicorn 进程的内存副本。执行CPU密集型任务。

类型错误：无法 pickle _thread.lock 对象

源于您传递到子流程中的任何数据

p = mp.Process(target=self.single_compute, args=single_comp_data)

包含一个不可腌制的对象。

所有 args/kwargs 发送到multiprocessing子流程（无论是通过流程，还是通过Pool) 必须是可腌制的，同样，函数 run 的返回值也必须是可腌制的，以便可以将其发送回父进程。

如果您在 UNIX 上并使用fork多处理的启动方法（这是 Linux 上的默认设置，但不是 macOS 上的默认设置），您还可以利用写时复制内存语义，通过使数据可用来避免“向下”复制到子进程，例如通过实例状态、全局变量……，在生成子进程之前，并让它通过引用获取它，而不是将数据本身作为参数向下传递。

这个例子正在使用imap_unordered为了性能（假设不需要按顺序处理 id），并将返回一个将输入 ID 映射到它创建的结果的字典。

class Compute:
    _cache = {}  # could be an instance variable too but whatever

    def get_data(self, id):
        if id not in self._cache:
            self._cache[id] = get_data_from_somewhere(id)
        return self._cache[id]

    def compute_item(self, id):
        data = self.get_data(id)
        result = 42  # ... do heavy computation here ...
        return (id, result)

    def compute_result(self, ids) -> dict:
        for id in ids:
             self.get_data(id)  # populate in parent process
        with multiprocessing.Pool() as p:
             return dict(p.imap_unordered(self.compute_item, ids))