首页
/ Zarr-Python项目中ZipStore多进程读取问题的分析与解决

Zarr-Python项目中ZipStore多进程读取问题的分析与解决

2025-07-09 09:43:04作者:凌朦慧Richard

问题背景

在Python生态系统中,Zarr是一个用于分块、压缩的多维数组存储库,特别适合处理大规模科学数据。近期在将内部工具从Zarr 2迁移到Zarr 3版本时,开发人员发现了一个与ZipStore在多进程环境下工作异常的问题。

问题现象

当尝试使用ProcessPoolExecutor并行读取多个ZipStore格式的Zarr文件时,程序会出现挂起现象(疑似死锁)。然而,同样的代码在使用ThreadPoolExecutor时却能正常工作。更值得注意的是,这个问题在Zarr 2版本中并不存在。

问题复现

通过以下简化代码可以稳定复现该问题:

from zarr.storage import ZipStore
import zarr

# 创建测试文件
for i in range(3):
    with ZipStore(f"test{i}.zip", mode="w") as store:
        zarr.create_array(store, shape=(2,), dtype="float64")

# 多进程读取
from concurrent.futures import ProcessPoolExecutor

with ProcessPoolExecutor() as executor:
    futures = [
        executor.submit(zarr.open_array, ZipStore(f"test{i}.zip", mode="r"), mode="r")
        for i in range(3)
    ]
    datasets = [future.result() for future in futures]

问题分析

经过深入调查,发现问题根源在于ZipStore类的序列化机制。在多进程环境下,Python使用pickle模块在进程间传递对象。ZipStore类实现了自定义的__getstate__方法,但该方法没有包含所有必要的属性,特别是遗漏了_read_only属性。

当ZipStore对象被pickle序列化并在另一个进程中反序列化时,由于_read_only属性丢失,导致zarr.open_array方法在检查存储是否为只读模式时抛出AttributeError异常。

技术细节

在Zarr 3中,存储抽象层进行了重构,引入了更严格的属性检查。ZipStore类继承自Store基类,该基类定义了read_only属性作为接口的一部分。然而,ZipStore的pickle序列化机制没有正确处理这一属性,导致在多进程环境下属性丢失。

解决方案

修复此问题需要修改ZipStore类的__getstate__方法,确保在序列化时包含所有必要的属性。具体来说,应该将_read_only属性包含在序列化的状态字典中。

影响范围

这个问题会影响所有使用以下组合的用户:

  • Zarr 3.x版本
  • 使用ZipStore作为存储后端
  • 在多进程环境下并行读取多个Zarr文件

临时解决方案

在官方修复发布前,用户可以采取以下临时解决方案之一:

  1. 使用线程池(ThreadPoolExecutor)替代进程池
  2. 在子进程中重新创建ZipStore对象,而不是通过pickle传递
  3. 回退到Zarr 2.x版本

最佳实践建议

在处理类似问题时,建议开发人员:

  1. 为存储类实现完整的pickle协议支持(__getstate____setstate__
  2. 在多进程环境下充分测试存储类的序列化行为
  3. 考虑使用更简单的存储模式(如目录存储)替代ZipStore

总结

这个问题展示了在多进程环境下对象序列化的重要性,特别是当类继承自抽象基类时。它不仅影响了Zarr用户的实际工作流程,也提醒我们在设计存储抽象时需要全面考虑各种使用场景。通过理解这个问题的本质,开发人员可以更好地规避类似问题,并构建更健壮的并行数据处理流程。

登录后查看全文
热门项目推荐

最新内容推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K
kernelkernel
deepin linux kernel
C
22
6
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
273
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
923
551
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
421
392
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
74
64
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K
easy-eseasy-es
Elasticsearch 国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8