一个多并发处理文件的程序该如何设计才优雅

[xinmans]

场景：
有一批文件需要处理，每天都有新增的文件。

技术栈：
python+容器

设计：

方案一
主程序 python 处理文件
为了提高并发和隔离性，希望起多个容器来实现并发处理，加上 redis 做分布式锁避免重复处理
处理完的文件会改后缀为.b ，待处理文件是后缀.a

可以分发到多台机器上并发处理

方案二
选择 python 多线程或者多进程来加大并发，可能更加简单，需要单机处理能力较强

方案一上遇到一些问题，比如容器的日志文件处理
docker-compose 的 deploy replica 好像无法处理成多个日志，造成打日志混乱
程序会 hang 住，日志不刷新
如何处理

[lianyue]

1. 每个文件处理时间
2. 每次处理 对 cpu 占用
3. 每天新增文件有多少
4. 文件是否是本地文件

才能得到具体方案

[xinmans]

@lianyue 1 每个文件处理时间大概 10 都 60 分钟不等，看文件大小
2 ，对 cpu 占用有一定的开销，是 cpu 计算型应用
3 ，每天新增 10-50 个文件
4 ，是本地文件，在一个目录下

[iorilu]

这种事情和 python 多并发没啥关系把

可能弄个 shell 脚本控制复制的文件到目标机器就行

比如有两台机器, 都运行同样程序, 无所谓什么多并发, 用最简单的单线程处理, 都定时扫描某个目录看是否有新文件

有个 shell 脚本或类似程序复杂将文件分开复制到那两台机器的目录不就行了

[morenacl]

不适合用容器

[jones2000]

如果是 IO 瓶颈，开 docker 没什么用， 还是读同一个机器上的盘。IO 瓶颈你就加物理机， 每个物理机开处理程序。 新增的文件分发到不同的物理机上。 这样才能提高 IO 。

[realJamespond]

单线程监测目录文件变化，再放到多线程队列消费

[lianyue]

@xinmans 这么小 多线程就好了 60*50 /1440 = 2.08 天 1 个线程干完
3-4 个线程就好了 没到分机器的地步
按照
6 楼方案 就行了

[xinmans]

谢谢各位，我用单线程和多线程来试试。

[julyclyde]

既然要处理文件，为啥用容器呢？

[xinmans]

@julyclyde 容器部署维护简单。最终通过多线程+多路代理搞定了并发处理的需求。

[julyclyde]

@xinmans 用容器的话，你的文件是通过 volume 挂进去吗

[xinmans]

@julyclyde 对的

[numoone]

@xinmans 你說的用容器是指將 python 脚本以容器的方式部署在不同的物理機上，而不是在一臺物理機上啓用多個容器吧？

你說最後采用了多綫程 + 多路代理解決了需求。這個多路代理的作用是什麽？

[xinmans]

@numoone 避免被封