Zarr-Python项目中ZipStore多进程读取问题的分析与解决

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__和__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。