当前位置：首页 > article >正文

python 使用进程池并发执行 SQL 语句

article 2024/11/5 18:51:45

这段代码使用了 Python 的 multiprocessing 模块来实现真正的并行处理，绕过 Python 的全局解释器锁（GIL）限制，从而在多核 CPU 上并发执行多个 SQL 语句。

from pyhive import hive
import multiprocessing

# 建立连接
conn = hive.Connection(host="localhost", port=10000, username="your_username", password="your_password")

# SQL 语句列表
sql_statements = [
    "INSERT INTO table1 VALUES (1, 'value1')",
    "INSERT INTO table1 VALUES (2, 'value2')",
    "INSERT INTO table1 VALUES (3, 'value3')"
]

# 定义执行函数
def execute_sql(sql):
    with conn.cursor() as cursor:
        cursor.execute(sql)

# 确保多进程代码只在主进程中执行
if __name__ == '__main__':

    # 使用进程池并发执行
    with multiprocessing.Pool() as pool:
        pool.map(execute_sql, sql_statements)

    # 关闭连接
    conn.close()

1. 导入模块

from pyhive import hive
import multiprocessing

pyhive: 这是用于连接和操作 Hive 数据库的 Python 库。hive.Connection 用于建立与 Hive 数据库的连接。
multiprocessing: 这是 Python 的标准库，用于创建和管理进程。通过 multiprocessing，我们可以绕过 Python 的 GIL（全局解释器锁）限制，实现真正的并行处理。

2. 建立数据库连接

conn = hive.Connection(host="localhost", port=10000, username="your_username", password="your_password")

这里我们使用 hive.Connection 建立一个到 Hive 数据库的连接。
参数：
- host: HiveServer2 的主机地址，通常是 localhost 或 HiveServer2 运行的服务器 IP。
- port: HiveServer2 的端口号，默认是 10000。
- username: 连接 Hive 使用的用户名。
- password: 连接 Hive 使用的密码。

这个连接对象 conn 将在后续的代码中用于创建游标（cursor），并通过游标执行 SQL 语句。

3. 定义 SQL 语句列表

sql_statements = [
    "INSERT INTO table1 VALUES (1, 'value1')",
    "INSERT INTO table1 VALUES (2, 'value2')",
    "INSERT INTO table1 VALUES (3, 'value3')"
]

这里定义了一个包含多个 SQL 语句的列表 sql_statements。每个语句都是一个插入操作，将数据插入到 Hive 表 table1 中。
你可以根据实际需求修改这些 SQL 语句。

4. 定义执行函数

def execute_sql(sql):
    with conn.cursor() as cursor:
        cursor.execute(sql)

execute_sql 函数是用于执行单个 SQL 语句的函数。
with conn.cursor() as cursor：为当前数据库连接创建一个游标对象 cursor，这个游标用于执行 SQL 语句。
- cursor.execute(sql)：执行传入的 SQL 语句。
这个函数会被进程池中的每个进程调用，每个进程都会独立执行一个 SQL 语句。

5. 使用进程池并发执行

with multiprocessing.Pool() as pool:
    pool.map(execute_sql, sql_statements)

multiprocessing.Pool()：创建一个进程池。进程池可以管理一组工作进程，并将任务分配给这些进程。
- 默认情况下，Pool() 会根据系统的 CPU 核心数创建相应数量的工作进程。
- 你可以通过参数指定池中的进程数量，例如 Pool(4) 表示创建 4 个工作进程。
pool.map(execute_sql, sql_statements)：
- pool.map 方法会将 execute_sql 函数应用到 sql_statements 列表中的每个元素上。
- pool.map 方法会自动将 SQL 语句列表分配给进程池中的工作进程，每个进程独立执行一个 SQL 语句。
- 这个过程是并行的，多个进程可以同时执行不同的 SQL 语句，从而提高执行效率。

6. 关闭数据库连接

conn.close()

在所有 SQL 语句执行完毕后，我们关闭数据库连接，释放资源。

进程池的工作原理

multiprocessing.Pool 提供了一种方便的方式来并行化执行函数。其工作原理如下：

创建进程池：当你创建一个 Pool 对象时，会启动多个工作进程（数量可以指定，或默认根据 CPU 核心数决定）。
任务分配：当你调用 pool.map 时，进程池会将任务（在这里是 execute_sql 函数）分配给空闲的工作进程。
并行执行：每个工作进程独立执行分配给它的任务，互不干扰。
结果收集：pool.map 会收集所有工作进程的执行结果，并按照原始任务列表的顺序返回结果。

为什么使用进程池而不是线程池？

GIL 限制：Python 的全局解释器锁（GIL）限制了多线程的并行执行能力，尤其是在 CPU 密集型任务中，多线程并不能充分利用多核 CPU。
进程并行：multiprocessing 模块通过创建多个进程来绕过 GIL 限制，每个进程都有自己的 Python 解释器和内存空间，因此可以实现真正的并行执行。
适用场景：
- 线程池：适合 I/O 密集型任务（例如，等待数据库查询结果）。
- 进程池：适合 CPU 密集型任务（例如，并行计算、数据处理等），或者你需要绕过 GIL 限制时。

注意事项

数据库连接：在多进程环境中，每个进程都有自己的内存空间，因此每个进程需要独立的数据库连接。在上述代码中，每个进程都通过 conn.cursor() 创建了自己的游标。
进程开销：创建和销毁进程有一定的开销，因此对于非常短小的任务，进程池可能不会显著提高性能。在这种情况下，可以考虑调整进程池的大小或使用其他优化手段。
连接池：如果你的程序需要频繁访问数据库，可以考虑使用数据库连接池来复用数据库连接，减少连接建立和关闭的开销。

总结

进程池：通过 multiprocessing.Pool 实现，可以绕过 Python 的 GIL 限制，实现真正的并行处理。
适用场景：适合 CPU 密集型任务或需要并行执行多个独立任务的场景。
代码结构：
- 建立数据库连接。
- 定义 SQL 语句列表。
- 定义执行函数 execute_sql。
- 使用进程池并发执行 SQL 语句。
- 关闭数据库连接。

通过这种方式，你可以充分利用多核 CPU 的优势，并发执行多个 SQL 语句，从而提高程序的执行效率。

解决多进程报错

你遇到的错误是 RuntimeError，这是因为你在使用 multiprocessing 时没有正确地保护代码的入口点。具体来说，在 Windows 系统上（以及其他非 fork 的启动方式），你必须将多进程相关的代码放在 if __name__ == '__main__': 语句块中，以避免子进程在启动时重新导入主模块并执行不必要的代码。

错误原因：

在 Windows 系统中，Python 的 multiprocessing 模块使用 spawn 启动子进程，这意味着子进程会重新导入当前脚本。如果不加以保护，子进程会再次执行主模块中的代码，导致递归创建进程并抛出错误。

解决方案：

你需要将多进程相关的代码放在 if __name__ == '__main__': 语句块中，确保只有主进程会执行这些代码，而子进程不会。

修改后的代码：

python

import multiprocessing

data = [
    "1",
    "2",
    "3"
]

# 定义执行函数
def print_str(data):
    print(data)

# 确保多进程代码只在主进程中执行
if __name__ == '__main__':
    # 使用进程池并发执行
    with multiprocessing.Pool() as pool:
        pool.map(print_str, data)

解释：

if __name__ == '__main__': 确保了只有在直接运行当前脚本时，才会执行其中的多进程代码。子进程不会执行这个代码块，从而避免了递归创建进程的问题。
在 Windows 系统上，这是使用 multiprocessing 时必须遵循的惯用写法。

其他注意事项：

如果你打算将脚本打包成可执行文件（例如使用 pyinstaller），你还需要调用 multiprocessing.freeze_support()，不过在大多数脚本运行的情况下，这个调用不是必须的。

例如：

python

if __name__ == '__main__':
    multiprocessing.freeze_support()  # 如果需要打包成可执行文件，可以加上这行
    with multiprocessing.Pool() as pool:
        pool.map(print_str, data)

参考文档：

你可以参考 Python 官方文档中关于 multiprocessing 的部分，了解更多关于安全导入主模块的信息：

multiprocessing — Process-based parallelism — Python 3.13.0 documentation

执行sql 简单示例

import multiprocessing

data = [  ]

# 定义执行函数
def print_str(data):
    print(data)

# 确保多进程代码只在主进程中执行
if __name__ == '__main__':

    data2 = [
        "1",
        "2",
        "3"
    ]

    for i in data2:
        data_str = f"""
        inset into {i}
        """
        data.append(data_str)


    # 使用进程池并发执行
    with multiprocessing.Pool() as pool:
        pool.map(print_str, data)