[python] 大量小文件读写并行处理方案

Question

我有大量的小文件需要处理，采用那种并行方案比较好？

1. 多进程

2. 多线程

3. 协程

我的疑惑在于：

1. Python的GIL的存在是否导致了多线程处理不如多进程处理？在耗时上

2. Python多进程的最佳进程数比如为4, 那么相同耗时的线程数是不是要比4高？

3. 如果我在C中使用多线程，然后调用Python库，这种情形下有GIL的问题吗？

Answer 1

你的小文件是在同一磁盘上吗？你对每个小文件的「处理」是很快就能完成的操作吗？——如果不是，单线程单进程吧，瓶颈不在那里。

如果不确定，先单线程单进程，看 CPU 能跑满不。

Answer 2

写过多线程python处理小文件的程序 大概4w多个html文件

印象里似乎多线程也没有怎么变快，甚至还慢了一点…… 推测下来是小文件的IO瓶颈太大 而不是处理速度

你把这些小文件用BLOB写到一个NOSQL数据库里，然后来处理可能多线程上会有优势

Answer 3

大量小文件处理速度还是很快的，关键是磁盘的读写。

所以 1 2 3 效果不明显。