Пул подключений Cassandra Pycassa, как правильно использовать?

Question

Чтобы ускорить вставку Cassandra, я использую многопоточность, она работает нормально, но если я добавляю больше потоков, это не имеет значения, я думаю, что я не генерирую больше соединений, я думаю, возможно, мне следует использовать пул. выполнить (f, *args, **kwargs), но я не знаю, как его использовать, документация довольно скудная. Вот мой код пока..

import connect_to_ks_bp
from connect_to_ks_bp import ks_refs
import time
import pycassa
from datetime import datetime 
import json
import threadpool
pool = threadpool.ThreadPool(20)
count = 1
bench = open("benchCassp20_100000.txt", "w")

def process_tasks(lines):

    #let threadpool format your requests into a list
    requests = threadpool.makeRequests(insert_into_cfs, lines)

    #insert the requests into the threadpool
    for req in requests:
        pool.putRequest(req) 

    pool.wait()

def read(file):
    """read data from json and insert into keyspace"""
    json_data=open(file)
    lines = []
    for line in json_data:
        lines.append(line)
    print len(lines)
    process_tasks(lines)


def insert_into_cfs(line):
    global count
    count +=1
    if count > 5000:
            bench.write(str(datetime.now())+"\n")
            count = 1
    #print count
    #print kspool.checkedout()
    """
    user_tweet_cf = pycassa.ColumnFamily(kspool, 'UserTweet')
    user_name_cf = pycassa.ColumnFamily(kspool, 'UserName')
    tweet_cf = pycassa.ColumnFamily(kspool, 'Tweet')
    user_follower_cf = pycassa.ColumnFamily(kspool, 'UserFollower')
    """
    tweet_data = json.loads(line)
    """Format the tweet time as an epoch seconds int value"""
    tweet_time = time.strptime(tweet_data['created_at'],"%a, %d %b %Y %H:%M:%S +0000")
    tweet_time  = int(time.mktime(tweet_time))

    new_user_tweet(tweet_data['from_user_id'],tweet_time,tweet_data['id'])
    new_user_name(tweet_data['from_user_id'],tweet_data['from_user_name'])
    new_tweet(tweet_data['id'],tweet_data['text'],tweet_data['to_user_id'])

    if tweet_data['to_user_id'] != 0:
        new_user_follower(tweet_data['from_user_id'],tweet_data['to_user_id'])


""""4 functions below carry out the inserts into specific column families"""        
def new_user_tweet(from_user_id,tweet_time,id):
    ks_refs.user_tweet_cf.insert(from_user_id,{(tweet_time): id})

def new_user_name(from_user_id,user_name):
    ks_refs.user_name_cf.insert(from_user_id,{'username': user_name})

def new_tweet(id,text,to_user_id):
    ks_refs.tweet_cf.insert(id,{
    'text': text
    ,'to_user_id': to_user_id
    })  

def new_user_follower(from_user_id,to_user_id):
    ks_refs.user_follower_cf.insert(from_user_id,{to_user_id: 0})   

    read('tweets.json')
if __name__ == '__main__':

Это просто еще один файл..

import pycassa
from pycassa.pool import ConnectionPool
from pycassa.columnfamily import ColumnFamily

"""This is a static class I set up to hold the global database connection stuff,
I only want to connect once and then the various insert functions will use these fields a lot"""
class ks_refs():
    pool = ConnectionPool('TweetsKS',use_threadlocal = True,max_overflow = -1)

    @classmethod
    def cf_connect(cls, column_family):
        cf = pycassa.ColumnFamily(cls.pool, column_family)
        return cf

ks_refs.user_name_cfo = ks_refs.cf_connect('UserName')
ks_refs.user_tweet_cfo = ks_refs.cf_connect('UserTweet')
ks_refs.tweet_cfo = ks_refs.cf_connect('Tweet')
ks_refs.user_follower_cfo = ks_refs.cf_connect('UserFollower')

#trying out a batch mutator whihc is supposed to increase performance
ks_refs.user_name_cf = ks_refs.user_name_cfo.batch(queue_size=10000)
ks_refs.user_tweet_cf = ks_refs.user_tweet_cfo.batch(queue_size=10000)
ks_refs.tweet_cf = ks_refs.tweet_cfo.batch(queue_size=10000)
ks_refs.user_follower_cf = ks_refs.user_follower_cfo.batch(queue_size=10000)

Answer 1

Несколько мыслей:

• Размеры партии 10000 слишком велики. Попробуйте 100
• Сделайте ваш размер ConnectionPool как минимум таким же, как и количество потоков, использующих pool_size параметр. По умолчанию используется значение 5. Переполнение пула следует использовать только в том случае, если количество активных потоков может меняться со временем, а не при фиксированном количестве потоков. Причина в том, что это приведет к большому количеству ненужных открытий и закрытий новых соединений, что является довольно дорогим процессом.

После того, как вы решили эти проблемы, посмотрите на них:

• Я не знаком с библиотекой threadpool, которую вы используете. Убедитесь, что если вы удалите вставки в Cassandra из картинки, вы увидите увеличение производительности при увеличении количества потоков
• Сам Python имеет ограничение на количество потоков, которые могут быть полезны из-за GIL. Обычно он не должен быть максимальным в 20, но это может произойти, если вы делаете что-то интенсивное использование процессора или что-то, что требует большой интерпретации Python. Тест, который я описал в моем предыдущем пункте, также охватит это. Возможно, вам следует рассмотреть возможность использования multiprocessing модуля, но вам потребуются некоторые изменения кода, чтобы справиться с этим (а именно, не использовать ConnectionPools, CF или что-то еще между процессами).