Распараллелить Bash-скрипт с максимальным количеством процессов

StackOverflow https://stackoverflow.com/questions/38160

  •  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-somethings 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-somethingс ними покончено.

Как бы вы написали этот цикл, чтобы всегда было X do-somethingон сразу же бежит?

Это было полезно?

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.

Лицензировано под: CC-BY-SA с атрибуция
Не связан с StackOverflow
scroll top