Параллельное обновление БД с использованием Python (PostGIS / PostgreSQL)

Question

Мне нужно обновить каждую запись в пространственной базе данных, в которой у меня есть набор данных точек, которые перекрывают набор данных полигонов. Для каждого точечного объекта я хочу назначить ключ, чтобы связать его с полигональным объектом, в котором он находится. Поэтому, если моя точка «Нью-Йорк» находится в пределах полигона США, а для полигона США «GID = 1» я назначу «gid_fkey = 1» для моей точки Нью-Йорк.

Для этого я создал следующий запрос.

procQuery = 'UPDATE city SET gid_fkey = gid FROM country  WHERE ST_within((SELECT the_geom FROM city WHERE wp_id = %s), country.the_geom) AND city_id = %s' % (cityID, cityID)

В настоящее время я получаю информацию о cityID из другого запроса, который просто выбирает все cityID, где gid_fkey равен NULL. По сути, мне просто нужно пройтись по ним и запустить запрос, показанный ранее. Поскольку запрос опирается только на статическую информацию из другой таблицы, теоретически все эти процессы могут выполняться одновременно. Я реализовал процедуру потоков ниже, но я не могу перейти на многопроцессорность

import psycopg2, pprint, threading, time, Queue

queue = Queue.Queue()
pyConn = psycopg2.connect("dbname='geobase_1' host='localhost'")
pyConn.set_isolation_level(0)
pyCursor1 = pyConn.cursor()

getGID = 'SELECT cityID FROM city'
pyCursor1.execute(getGID)
gidList = pyCursor1.fetchall()

class threadClass(threading.Thread):

def __init__(self, queue):
        threading.Thread.__init__(self)
        self.queue = queue

def run(self):

        while True:
            gid = self.queue.get()

            procQuery = 'UPDATE city SET gid_fkey = gid FROM country  WHERE ST_within((SELECT the_geom FROM city WHERE wp_id = %s), country.the_geom) AND city_id = %s' % (cityID, cityID)

            pyCursor2 = pyConn.cursor()                         
            pyCursor2.execute(procQuery)

            print gid[0]                    
            print 'Done'

def main():

    for i in range(4):
        t = threadClass(queue)
        t.setDaemon(True)
        t.start()

        for gid in gidList:
            queue.put(gid)

    queue.join()

main()

Я даже не уверен, что многопоточность оптимальна, но она определенно быстрее, чем проходить один за другим.

Машина, которую я буду использовать, имеет четыре ядра (Quad Core) и минимальную ОС Linux без GUI, PostgreSQL, PostGIS и Python, если это имеет значение.

Что мне нужно изменить, чтобы включить эту болезненно простую многопроцессорную задачу?

Answer 1

Хорошо, это ответ на мой собственный пост.Молодец, я = D

Повышает скорость моей системы примерно на 150%, переходя от одноядерного потока к четырехъядерной многопроцессорной.

import multiprocessing, time, psycopg2

class Consumer(multiprocessing.Process):

def __init__(self, task_queue, result_queue):
    multiprocessing.Process.__init__(self)
    self.task_queue = task_queue
    self.result_queue = result_queue

def run(self):
    proc_name = self.name
    while True:
        next_task = self.task_queue.get()
        if next_task is None:
            print 'Tasks Complete'
            self.task_queue.task_done()
            break            
        answer = next_task()
        self.task_queue.task_done()
        self.result_queue.put(answer)
    return


class Task(object):
def __init__(self, a):
    self.a = a

def __call__(self):        
    pyConn = psycopg2.connect("dbname='geobase_1' host = 'localhost'")
    pyConn.set_isolation_level(0)
    pyCursor1 = pyConn.cursor()

        procQuery = 'UPDATE city SET gid_fkey = gid FROM country  WHERE ST_within((SELECT the_geom FROM city WHERE city_id = %s), country.the_geom) AND city_id = %s' % (self.a, self.a)

    pyCursor1.execute(procQuery)
    print 'What is self?'
    print self.a

    return self.a

def __str__(self):
    return 'ARC'
def run(self):
    print 'IN'

if __name__ == '__main__':
tasks = multiprocessing.JoinableQueue()
results = multiprocessing.Queue()

num_consumers = multiprocessing.cpu_count() * 2
consumers = [Consumer(tasks, results) for i in xrange(num_consumers)]
for w in consumers:
    w.start()

pyConnX = psycopg2.connect("dbname='geobase_1' host = 'localhost'")
pyConnX.set_isolation_level(0)
pyCursorX = pyConnX.cursor()

pyCursorX.execute('SELECT count(*) FROM cities WHERE gid_fkey IS NULL')    
temp = pyCursorX.fetchall()    
num_job = temp[0]
num_jobs = num_job[0]

pyCursorX.execute('SELECT city_id FROM city WHERE gid_fkey IS NULL')    
cityIdListTuple = pyCursorX.fetchall()    

cityIdList = []

for x in cityIdListTuple:
    cityIdList.append(x[0])


for i in xrange(num_jobs):
    tasks.put(Task(cityIdList[i - 1]))

for i in xrange(num_consumers):
    tasks.put(None)

while num_jobs:
    result = results.get()
    print result
    num_jobs -= 1

Теперь у меня есть еще один вопрос, который у меня возник.размещено здесь:

Создание соединения с БД и поддержка нескольких процессов (многопроцессорная обработка)

Надеемся, мы сможем избавиться от некоторых накладных расходов и еще больше ускорить этого ребенка.

Answer 2

В простом SQL можно сделать что-то вроде:

UPDATE city ci
SET gid_fkey = co.gid 
FROM country co 
WHERE ST_within(ci.the_geom , co.the_geom) 
AND ci.city_id = _some_parameter_
        ;

Может возникнуть проблема, если город поместится в более чем одну страну (что приведет к нескольким обновлениям в одной и той же целевой строке), но этовероятно, дело не в ваших данных.