我正在尝试用 python 读取数千小时的 wav 文件并获取它们的持续时间。这本质上需要打开 wav 文件,获取帧数并考虑采样率。下面是代码:
def wav_duration(file_name):
wv = wave.open(file_name, 'r')
nframes = wv.getnframes()
samp_rate = wv.getframerate()
duration = nframes / samp_rate
wv.close()
return duration
def build_datum(wav_file):
key = "/".join(wav_file.split('/')[-3:])[:-4]
try:
datum = {"wav_file" : wav_file,
"labels" : all_labels[key],
"duration" : wav_duration(wav_file)}
return datum
except KeyError:
return "key_error"
except:
return "wav_error"
按顺序执行此操作将花费太长时间。我的理解是多线程应该在这里有所帮助,因为它本质上是一个 IO 任务。因此,我这样做:
all_wav_files = all_wav_files[:1000000]
data, key_errors, wav_errors = list(), list(), list()
start = time.time()
with concurrent.futures.ThreadPoolExecutor(max_workers=1) as executor:
# submit jobs and get the mapping from futures to wav_file
future2wav = {executor.submit(build_datum, wav_file): wav_file for wav_file in all_wav_files}
for future in concurrent.futures.as_completed(future2wav):
wav_file = future2wav[future]
try:
datum = future.result()
if datum == "key_error":
key_errors.append(wav_file)
elif datum == "wav_error":
wav_errors.append(wav_file)
else:
data.append(datum)
except:
print("Generated exception from thread processing: {}".format(wav_file))
print("Time : {}".format(time.time() - start))
然而令我沮丧的是,我得到了以下结果(以秒为单位):
Num threads | 100k wavs | 1M wavs
1 | 4.5 | 39.5
2 | 6.8 | 54.77
10 | 9.5 | 64.14
100 | 9.07 | 68.55
这是预期的吗?这是 CPU 密集型任务吗?多重处理有帮助吗?我怎样才能加快速度?我正在从本地驱动器读取文件,并且它在 Jupyter 笔记本上运行。 Python 3.5。
EDIT:我知道 GIL。我只是假设打开和关闭文件本质上是 IO。人们的分析 https://medium.com/@bfortuner/python-multithreading-vs-multiprocessing-73072ce5600b已经表明,在 IO 情况下,使用多处理可能会适得其反。因此我决定改用多重处理。
我想现在的问题是:这个任务是IO绑定的吗?
编辑 编辑:对于那些想知道的人,我认为这是 CPU 限制(核心达到 100%)。这里的教训是不要对任务做出假设并亲自检查。