Распараллелить Bash-скрипт с максимальным количеством процессов
-
09-06-2019 - |
Вопрос
Допустим, у меня есть цикл в Bash:
for foo in `some-command`
do
do-something $foo
done
do-something
привязан к процессору, и у меня хороший блестящий 4-ядерный процессор.Я бы хотел иметь возможность работать до 4 do-something
- это сразу.
Наивный подход, по-видимому, заключается в:
for foo in `some-command`
do
do-something $foo &
done
Это будет запущено ВСЕ do-something
s сразу, но есть пара недостатков, в основном из-за того, что do-something также может иметь некоторые существенные операции ввода-вывода, которые выполняют ВСЕ сразу может немного замедлиться.Другая проблема заключается в том, что этот блок кода возвращается немедленно, поэтому нет возможности выполнять другую работу, когда все do-something
с ними покончено.
Как бы вы написали этот цикл, чтобы всегда было X do-something
он сразу же бежит?
Решение
В зависимости от того, что вы хотите сделать, xargs также может помочь (здесь: преобразование документов с помощью pdf2ps):
cpus=$( ls -d /sys/devices/system/cpu/cpu[[:digit:]]* | wc -w )
find . -name \*.pdf | xargs --max-args=1 --max-procs=$cpus pdf2ps
Из документов:
--max-procs=max-procs
-P max-procs
Run up to max-procs processes at a time; the default is 1.
If max-procs is 0, xargs will run as many processes as possible at a
time. Use the -n option with -P; otherwise chances are that only one
exec will be done.
Другие советы
С GNU Parallel http://www.gnu.org/software/parallel/ вы можете написать:
some-command | parallel do-something
GNU Parallel также поддерживает выполнение заданий на удаленных компьютерах.Это позволит запускать по одному ядру процессора на удаленных компьютерах, даже если у них разное количество ядер:
some-command | parallel -S server1,server2 do-something
Более продвинутый пример:Здесь мы приводим список файлов, на которых мы хотим запустить my_script.Файлы имеют расширение (возможно, .jpeg).Мы хотим, чтобы выходные данные my_script были помещены рядом с файлами в basename.out (напримерfoo.jpeg -> foo.out).Мы хотим запустить my_script один раз для каждого ядра, имеющегося на компьютере, и мы также хотим запустить его на локальном компьютере.Для удаленных компьютеров мы хотим, чтобы файл, который будет обработан, был передан на данный компьютер.Когда my_script завершит работу, мы хотим, чтобы foo.out был перенесен обратно, а затем мы хотим, чтобы foo.jpeg и foo.out были удалены с удаленного компьютера:
cat list_of_files | \
parallel --trc {.}.out -S server1,server2,: \
"my_script {} > {.}.out"
GNU Parallel гарантирует, что выходные данные каждого задания не смешиваются, поэтому вы можете использовать выходные данные в качестве входных данных для другой программы:
some-command | parallel do-something | postprocess
Смотрите видео для получения дополнительных примеров: https://www.youtube.com/playlist?list=PL284C9FF2488BC6D1
maxjobs=4 parallelize () { while [ $# -gt 0 ] ; do jobcnt=(`jobs -p`) if [ ${#jobcnt[@]} -lt $maxjobs ] ; then do-something $1 & shift else sleep 1 fi done wait } parallelize arg1 arg2 "5 args to third job" arg4 ...
Вместо простого bash, используйте Makefile, затем укажите количество одновременных заданий с помощью make -jX
, где X - количество одновременно запускаемых заданий.
Или вы можете использовать wait
(" man wait
"): запустить несколько дочерних процессов, вызвать <=> - он завершится после завершения дочерних процессов.
maxjobs = 10
foreach line in `cat file.txt` {
jobsrunning = 0
while jobsrunning < maxjobs {
do job &
jobsrunning += 1
}
wait
}
job ( ){
...
}
Если вам нужно сохранить результат задания, присвойте его результат переменной. После <=> вы просто проверяете, что содержит переменная.
Вот альтернативное решение, которое можно вставить в .bashrc и использовать для повседневного использования:
function pwait() {
while [ $(jobs -p | wc -l) -ge $1 ]; do
sleep 1
done
}
Чтобы использовать его, все, что нужно сделать - это поставить &
после заданий и вызова pwait, параметр дает число параллельных процессов:
for i in *; do
do_something $i &
pwait 10
done
Было бы лучше использовать wait
вместо ожидания ожидания на выходе jobs -p
, но не представляется очевидным решение подождать, пока какое-либо из заданий будет завершено, а не все их.
Может быть, попробуйте утилиту распараллеливания вместо переписывания цикла? Я большой поклонник xjobs. Я все время использую xjobs для массового копирования файлов в нашей сети, обычно при настройке нового сервера базы данных. http://www.maier-komor.de/xjobs.html
Делая это прямо в bash
вероятно, это невозможно, вы можете сделать полуправое движение довольно легко. bstark
дал справедливое приближение right, но у него есть следующие недостатки:
- Разделение слов:Вы не можете передавать ему какие-либо задания, которые используют любой из следующих символов в своих аргументах:пробелы, табуляция, перевод строк, звездочки, вопросительные знаки.Если вы это сделаете, все сломается, возможно, неожиданно.
- Это зависит от остальной части вашего скрипта, чтобы ничего не создавать на заднем плане.Если вы это сделаете или позже добавите что-то в скрипт, который отправляется в фоновом режиме, потому что вы забыли, что вам не разрешено использовать фоновые задания из-за его фрагмента, все сломается.
Другим приближением, которое не имеет этих недостатков, является следующее:
scheduleAll() {
local job i=0 max=4 pids=()
for job; do
(( ++i % max == 0 )) && {
wait "${pids[@]}"
pids=()
}
bash -c "$job" & pids+=("$!")
done
wait "${pids[@]}"
}
Обратите внимание, что этот способ легко адаптируется для проверки кода выхода каждого задания по мере его завершения, чтобы вы могли предупредить пользователя в случае сбоя задания или установить код выхода для scheduleAll
в зависимости от количества проваленных заданий или что-то в этом роде.
Проблема с этим кодом как раз в том, что:
- Он планирует выполнение четырех (в данном случае) заданий одновременно, а затем ожидает завершения всех четырех.Некоторые из них могут быть выполнены раньше других, что приведет к тому, что следующий пакет из четырех заданий будет ждать, пока не будет выполнено самое длинное из предыдущего пакета.
Решение, которое решает эту последнюю проблему, должно было бы использовать kill -0
чтобы опросить, исчез ли какой-либо из процессов, вместо wait
и запланируйте следующее задание.Однако это создает небольшую новую проблему:у вас есть условие гонки между завершением задания и kill -0
проверяю, закончилось ли это.Если задание завершено, и другой процесс в вашей системе запускается в то же время, принимая случайный PID, который совпадает с только что завершенным заданием, kill -0
вы не заметите, как закончите свою работу, и все снова сломается.
Идеальное решение невозможно в bash
.
Если вы знакомы с командой make
, большую часть времени вы можете выразить список команд, которые вы хотите запустить, в виде make-файла. Например, если вам нужно запустить $ SOME_COMMAND для файлов * .input, каждый из которых создает * .output, вы можете использовать make-файл
INPUT = a.input b.input OUTPUT = $(INPUT:.input=.output) %.output : %.input $(SOME_COMMAND) $< $@ all: $(OUTPUT)
а затем просто запустите
make -j<NUMBER>
для параллельного выполнения не более чем NUMBER команд.
функция для bash:
parallel ()
{
awk "BEGIN{print \"all: ALL_TARGETS\\n\"}{print \"TARGET_\"NR\":\\n\\t@-\"\$0\"\\n\"}END{printf \"ALL_TARGETS:\";for(i=1;i<=NR;i++){printf \" TARGET_%d\",i};print\"\\n\"}" | make $@ -f - all
}
используя:
cat my_commands | parallel -j 4
Проект, над которым я работаю, использует команду wait для управления процессами параллельной оболочки (на самом деле ksh). Чтобы решить ваши проблемы с вводом-выводом в современных ОС, возможно, что параллельное выполнение фактически повысит эффективность. Если все процессы читают одни и те же блоки на диске, только первый процесс должен получить доступ к физическому оборудованию. Другие процессы часто смогут извлечь блок из дискового кэша ОС в памяти. Очевидно, что чтение из памяти на несколько порядков быстрее, чем чтение с диска. Кроме того, это преимущество не требует изменений кодировки.
Это может быть достаточно для большинства целей, но не оптимально.
#!/bin/bash
n=0
maxjobs=10
for i in *.m4a ; do
# ( DO SOMETHING ) &
# limit jobs
if (( $(($((++n)) % $maxjobs)) == 0 )) ; then
wait # wait until all have finished (not optimal, but most times good enough)
echo $n wait
fi
done
В самом деле опаздываю на вечеринку, но вот другое решение.
Многие решения не обрабатывают пробелы / специальные символы в командах, не поддерживают постоянное выполнение N заданий, потребляют процессор в циклах занятости или полагаются на внешние зависимости (напримерГНУ parallel
).
С вдохновение для обработки процессов dead / zombie, вот чистое решение bash:
function run_parallel_jobs {
local concurrent_max=$1
local callback=$2
local cmds=("${@:3}")
local jobs=( )
while [[ "${#cmds[@]}" -gt 0 ]] || [[ "${#jobs[@]}" -gt 0 ]]; do
while [[ "${#jobs[@]}" -lt $concurrent_max ]] && [[ "${#cmds[@]}" -gt 0 ]]; do
local cmd="${cmds[0]}"
cmds=("${cmds[@]:1}")
bash -c "$cmd" &
jobs+=($!)
done
local job="${jobs[0]}"
jobs=("${jobs[@]:1}")
local state="$(ps -p $job -o state= 2>/dev/null)"
if [[ "$state" == "D" ]] || [[ "$state" == "Z" ]]; then
$callback $job
else
wait $job
$callback $job $?
fi
done
}
И пример использования:
function job_done {
if [[ $# -lt 2 ]]; then
echo "PID $1 died unexpectedly"
else
echo "PID $1 exited $2"
fi
}
cmds=( \
"echo 1; sleep 1; exit 1" \
"echo 2; sleep 2; exit 2" \
"echo 3; sleep 3; exit 3" \
"echo 4; sleep 4; exit 4" \
"echo 5; sleep 5; exit 5" \
)
# cpus="$(getconf _NPROCESSORS_ONLN)"
cpus=3
run_parallel_jobs $cpus "job_done" "${cmds[@]}"
Результат:
1
2
3
PID 56712 exited 1
4
PID 56713 exited 2
5
PID 56714 exited 3
PID 56720 exited 4
PID 56724 exited 5
Для обработки выходных данных каждого процесса $$
может использоваться, например, для входа в файл:
function job_done {
cat "$1.log"
}
cmds=( \
"echo 1 \$\$ >\$\$.log" \
"echo 2 \$\$ >\$\$.log" \
)
run_parallel_jobs 2 "job_done" "${cmds[@]}"
Выходной сигнал:
1 56871
2 56872
Вы можете использовать простой вложенный цикл for (подставьте соответствующие целые числа для N и M ниже):
for i in {1..N}; do
(for j in {1..M}; do do_something; done & );
done
Это выполнит do_something N * M раз в M раундов, каждый раунд выполняет N заданий параллельно. Вы можете сделать N равным количеству процессоров, которые у вас есть.
Вот как мне удалось решить эту проблему в bash-скрипте:
#! /bin/bash
MAX_JOBS=32
FILE_LIST=($(cat ${1}))
echo Length ${#FILE_LIST[@]}
for ((INDEX=0; INDEX < ${#FILE_LIST[@]}; INDEX=$((${INDEX}+${MAX_JOBS})) ));
do
JOBS_RUNNING=0
while ((JOBS_RUNNING < MAX_JOBS))
do
I=$((${INDEX}+${JOBS_RUNNING}))
FILE=${FILE_LIST[${I}]}
if [ "$FILE" != "" ];then
echo $JOBS_RUNNING $FILE
./M22Checker ${FILE} &
else
echo $JOBS_RUNNING NULL &
fi
JOBS_RUNNING=$((JOBS_RUNNING+1))
done
wait
done
Мое решение всегда поддерживать заданное количество запущенных процессов, отслеживать ошибки и обрабатывать процессы ubnterruptible / zombie:
function log {
echo "$1"
}
# Take a list of commands to run, runs them sequentially with numberOfProcesses commands simultaneously runs
# Returns the number of non zero exit codes from commands
function ParallelExec {
local numberOfProcesses="${1}" # Number of simultaneous commands to run
local commandsArg="${2}" # Semi-colon separated list of commands
local pid
local runningPids=0
local counter=0
local commandsArray
local pidsArray
local newPidsArray
local retval
local retvalAll=0
local pidState
local commandsArrayPid
IFS=';' read -r -a commandsArray <<< "$commandsArg"
log "Runnning ${#commandsArray[@]} commands in $numberOfProcesses simultaneous processes."
while [ $counter -lt "${#commandsArray[@]}" ] || [ ${#pidsArray[@]} -gt 0 ]; do
while [ $counter -lt "${#commandsArray[@]}" ] && [ ${#pidsArray[@]} -lt $numberOfProcesses ]; do
log "Running command [${commandsArray[$counter]}]."
eval "${commandsArray[$counter]}" &
pid=$!
pidsArray+=($pid)
commandsArrayPid[$pid]="${commandsArray[$counter]}"
counter=$((counter+1))
done
newPidsArray=()
for pid in "${pidsArray[@]}"; do
# Handle uninterruptible sleep state or zombies by ommiting them from running process array (How to kill that is already dead ? :)
if kill -0 $pid > /dev/null 2>&1; then
pidState=$(ps -p$pid -o state= 2 > /dev/null)
if [ "$pidState" != "D" ] && [ "$pidState" != "Z" ]; then
newPidsArray+=($pid)
fi
else
# pid is dead, get it's exit code from wait command
wait $pid
retval=$?
if [ $retval -ne 0 ]; then
log "Command [${commandsArrayPid[$pid]}] failed with exit code [$retval]."
retvalAll=$((retvalAll+1))
fi
fi
done
pidsArray=("${newPidsArray[@]}")
# Add a trivial sleep time so bash won't eat all CPU
sleep .05
done
return $retvalAll
}
Использование:
cmds="du -csh /var;du -csh /tmp;sleep 3;du -csh /root;sleep 10; du -csh /home"
# Execute 2 processes at a time
ParallelExec 2 "$cmds"
# Execute 4 processes at a time
ParallelExec 4 "$cmds"
$DOMAINS = "список некоторых доменов в командах"
для foo в some-command
делай
eval `some-command for $DOMAINS` &
job[$i]=$!
i=$(( i + 1))
Выполнено
Домены=echo $DOMAINS |wc -w
для i в $ (seq 1 1 $Ndomains) выполните echo "подождите $ {job [$i]}" подождите "$ {job[$i]}" Выполнено
в этой концепции будет работать распараллеливание.важно то, что последняя строка eval - это '&' которая поместит команды в backgrounds.