NLP学习笔记——在Kaggle Notebook上使用多进程加速文本预处理

前情提要

在学习NLP的新手教程Bag of Words Meets Bags of Popcorn这个比赛的Overview的教程里有一个把每篇文本切分成按句划分的单词list的预处理过程，原文的代码是这样的：

sentences = []  # Initialize an empty list of sentences

print "Parsing sentences from training set"
for review in train["review"]:
    sentences += review_to_sentences(review, tokenizer)

print "Parsing sentences from unlabeled set"
for review in unlabeled_train["review"]:
    sentences += review_to_sentences(review, tokenizer)

运行之后会花费长达五分钟的时间完成对75000篇电影测评文段预处理的过程，非常难等·。.|||
而且整个过程中可以看到kaggle kernel提供的四颗cpu只有最高120%的占用，所以想到通过创建多个进程来提速，节省预处理环节的时间。借助multiprocessing这个自带的库，写出来是这样的:

import multiprocessing
def fillup(dataset):
    count = 0
    sentences1 = []
    for i in dataset["review"]:
        sentences1 += review_to_sentences(i,tokenizer) #review_to_sentences()为预处理函数
        count += 1
        print(count)
    print("com")
    return sentences1

pool = multiprocessing.Pool(2)
sets = [train,unlabeled_train]
result = pool.map(fillup,sets)

在pool里创建的两个进程分别用来处理train和unlabeled_train这两个数据集

然后一运行我的chrome就直接卡死无响应了·。.|||

经过反复排查发现是循环内的print(count)的原因……推测是两个进程同时往notebook的输入框塞东西，造成了某些未知的性能问题，考虑到Overview里面也没提到可以多进程，只是让人在屏幕前傻等几分钟，可能kernels的前端开发也没想到这个问题。。。

去掉fillup里面的print(count)后上文代码就可以正常运行了。cpu占用稳定在200%，只花了三分钟左右。

之后我转换了一下思路，重写了fillup这里的代码，改成了读入一个文段输出一个句子组成的list，然后直接map到数据集上，用Pool同时运行四个进程。

import multiprocessing

def element_fillup(data):
    sentence2 = review_to_sentences(data,tokenizer) #review_to_sentences()为预处理函数
    return sentence2

pool = multiprocessing.Pool(4)

result_ele1 = []
result_ele2 = []

result_ele1 = pool.map(element_fillup,train['review'])
result_ele2 = pool.map(element_fillup,train['review'])

print("com")

这下子cpu占用直接起飞了：

只用了一分23秒就完成了75000个文段的预处理，对比原来要等五分钟，效率提升很明显
最后把得到的list合并然后重新merge一下就得到和Overview里的代码一样的结果了·。.

result_ele = result_ele1 + result_ele2
result = []
for i in result_ele:
    result += i #合并每个文段产生的句子list
result[0]
'''
Output：['with',
 'all',
 'this',
 'stuff',
 'going',
 'down',
 'at',
 'the',
 'moment',
 'with',
 'mj',
 'i',
 've',
 'started',
 'listening',
 'to',
 'his',
 'music',
 'watching',
 'the',
 'odd',
 'documentary',
 'here',
 'and',
 'there',
 'watched',
 'the',
 'wiz',
 'and',
 'watched',
 'moonwalker',
 'again']
 '''

2020-09-10 23:03:56 星期四