如何在Python中利用Arrow格式零拷贝共享跨进程大型数据?

雨晨同学_1398

雨晨同学_1398

2026-09-19

613人浏览

原创

Arrow表对象不能直接跨进程零拷贝共享,因其Python封装的生命周期绑定于创建进程,底层Buffer虽连续但无跨进程句柄机制;pickle或Queue传递会触发完整序列化,丧失零拷贝优势。

如何在python中利用arrow格式零拷贝共享跨进程大型数据?

Arrow 本身不支持零拷贝跨进程共享大型数据,它不是为进程间通信(IPC)设计的;真正能实现零拷贝共享的是 pyarrow 的 plasma(已弃用)或现代替代方案 pyarrow.ipc + mmap / SharedMemory。

为什么 Arrow 表对象不能直接跨进程零拷贝共享?

Arrow 的 Table、RecordBatch 等对象是 Python 封装,底层虽基于连续内存(如 Buffer),但其生命周期绑定在创建它的进程内。直接用 pickle 或 multiprocessing.Queue 传递会触发完整序列化/反序列化,失去零拷贝意义。

常见错误现象:AttributeError: 'pyarrow.lib.Table' object has no attribute '__getstate__' 或进程卡死、内存暴涨——本质是尝试把非可序列化对象塞进 Queue。

  • Arrow 表的内存布局是只读、连续、列式,但 Python 层无跨进程句柄机制
  • pyarrow.serialize() 是深拷贝,不是共享
  • 旧版 Plasma Store 已从 Arrow 12.0 起移除,不再维护

用 pyarrow.ipc + mmap 实现真正零拷贝共享

核心思路:将 Arrow 数据写入内存映射文件(mmap),子进程通过相同路径打开该映射,再用 pyarrow.ipc.open_stream() 或 pyarrow.ipc.read_message() 直接读取,不复制数据。

适用场景:父进程预加载大数据集(如数 GB 的 Table),多个 worker 进程只读访问,避免重复加载和内存冗余。

实操关键点:

  • 必须用 pyarrow.ipc.RecordBatchStreamWriter 写入二进制流(不是 write_table)
  • 映射文件需足够大且提前分配(os.ftruncate),否则读取时可能越界
  • 子进程需用 open(..., 'r+b') 打开同一文件,并传给 mmap.mmap(fd, ...)
  • 读取端用 pyarrow.ipc.open_stream(mmap_obj),它直接解析内存中的 Arrow IPC 帧

示例片段(简化):

Python 环境工具基础版
Python 环境工具基础版

管理 Python 项目环境,支持虚拟环境创建、依赖安装与环境诊断

下载
# 父进程
import pyarrow as pa
import mmap
import os
<p>table = pa.table({'x': range(1000000)})
with open('/tmp/arrow_data', 'w+b') as f:
f.write(b'\x00' * 100_000_000)  # 预分配
f.flush()
with mmap.mmap(f.fileno(), 0, access=mmap.ACCESS_WRITE) as mm:
writer = pa.ipc.new_stream(mm)
for batch in table.to_batches():
writer.write_batch(batch)
writer.close()</p><h1>子进程(独立脚本中)</h1><p>with open('/tmp/arrow_data', 'r+b') as f:
with mmap.mmap(f.fileno(), 0, access=mmap.ACCESS_READ) as mm:
reader = pa.ipc.open_stream(mm)
shared_table = pa.Table.from_batches(reader)</p>

更现代稳妥的选择:multiprocessing.shared_memory + pyarrow

Python 3.8+ 的 shared_memory 模块提供显式命名共享内存块,比 mmap 文件更轻量、无磁盘 I/O,且与 Arrow 兼容性好。

注意点:

  • SharedMemory 创建后需手动写入 Arrow IPC 格式字节(用 pa.ipc.serialize_pandas 或 pa.ipc.RecordBatchStreamWriter 到 BytesIO,再 .getbuffer() 写入)
  • 读取端必须知道原始 schema 和 IPC 帧结构,不能直接 pa.ipc.open_stream(shm.buf)(因 shm.buf 是 memoryview,需转成 pyarrow.Buffer)
  • 推荐封装工具函数:write_arrow_to_shm(table, shm_name) 和 read_arrow_from_shm(shm_name)

性能影响:首次写入有少量序列化开销,但后续所有进程读取都是纯内存访问,实测 2GB 表共享耗时 2s)。

容易被忽略的边界条件

零拷贝不等于无协调。即使内存共享,仍需处理:

  • 写入完成前,子进程不能开始读取 —— 必须用 multiprocessing.Event 或文件锁同步
  • Arrow 的 DictionaryArray 或复杂嵌套类型,在跨进程共享时需确保 dictionary 缓冲区也被正确映射(通常需扁平化或禁用字典编码)
  • Windows 下 shared_memory 名称有长度和字符限制(A-Za-z0-9_),且不能以空格开头
  • Linux 上 /dev/shm 默认大小常为 64MB,大表需提前 sudo mount -o remount,size=8G /dev/shm

真正零拷贝的关键不在 Arrow,而在你如何把它“放”进操作系统提供的共享内存原语里;Arrow 只负责保证那块内存的格式可被安全解读。

Python免费学习笔记(深入):立即使用
在学习笔记中,你将探索 Python 的核心概念和高级技巧!

相关专题

更多
python打包成可执行文件
python打包成可执行文件

本专题为大家带来python打包成可执行文件相关的文章,大家可以免费的下载体验。

2023.07.20

1931

4

python能做什么
python能做什么

python能做的有:可用于开发基于控制台的应用程序、多媒体部分开发、用于开发基于Web的应用程序、使用python处理数据、系统编程等等。本专题为大家提供python相关的各种文章、以及下载和课程。

2023.07.25

5484

7

format在python中的用法
format在python中的用法

Python中的format是一种字符串格式化方法,用于将变量或值插入到字符串中的占位符位置。通过format方法,我们可以动态地构建字符串,使其包含不同值。php中文网给大家带来了相关的教程以及文章,欢迎大家前来阅读学习。

2023.07.31

1889

3

python教程
python教程

Python已成为一门网红语言,即使是在非编程开发者当中,也掀起了一股学习的热潮。本专题为大家带来python教程的相关文章,大家可以免费体验学习。

2023.08.03

33477

23

python环境变量的配置
python环境变量的配置

Python是一种流行的编程语言,被广泛用于软件开发、数据分析和科学计算等领域。在安装Python之后,我们需要配置环境变量,以便在任何位置都能够访问Python的可执行文件。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.04

3927

5

python eval
python eval

eval函数是Python中一个非常强大的函数,它可以将字符串作为Python代码进行执行,实现动态编程的效果。然而,由于其潜在的安全风险和性能问题,需要谨慎使用。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.04

3927

5

scratch和python区别
scratch和python区别

scratch和python的区别:1、scratch是一种专为初学者设计的图形化编程语言,python是一种文本编程语言;2、scratch使用的是基于积木的编程语法,python采用更加传统的文本编程语法等等。本专题为大家提供scratch和python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

1283

5

python合并两个列表
python合并两个列表

Python是一种强大的编程语言,具有许多方便的功能和工具。在Python中,有多种方法可以合并两个列表。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.10

636

4

python是前端还是后端
python是前端还是后端

Python属于前端也属于后端,其灵活性和丰富的生态系统使得开发人员能够在不同的领域中灵活运用。本专题为大家提供python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

3043

5

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
相关推荐
/
热门推荐
/
最新课程