进程与线程的基本概念

特性	进程 (Process)	线程 (Thread)
定义	操作系统分配资源的基本单位（独立的内存空间） 多进程可真正并行（利用多核 CPU）	进程内的执行单元（共享进程资源）
独立性	完全独立，崩溃后不影响其他进程	共享进程资源，一个线程崩溃可能导致整个进程崩溃
资源开销	高（需要分配独立的内存、文件句柄等） 不可直接共享，需通过 IPC（如管道、共享内存）	低（共享进程资源，仅需少量栈和寄存器） 可直接访问全局变量（需同步机制避免竞争）
数据共享	必须通过 IPC（进程间通信）：<br> - 管道（Pipe）<br> - 共享内存（Shared Memory）<br> - 消息队列（Queue）	直接共享进程内存（需锁机制）
同步机制	通常不需要	需要锁（Lock）、信号量（Semaphore）等。

场景	进程	线程
CPU 密集型任务 （如数值计算、机器学习）	✅ 多进程（绕过 GIL，利用多核）。	❌ 多线程（受 GIL 限制，无法并行计算）。
I/O 密集型任务 （如网络请求、文件读写）	⚠️ 可用，但资源开销高。	✅ 多线程（轻量级，等待 I/O 时可切换任务）。
需要高隔离性	✅ 进程崩溃不影响其他进程。	❌ 线程崩溃可能拖垮整个进程。

Joblib库

基础Parallel并行处理

n_jobs：设置并行运行的作业数。

verbose：设置后端的详细程度。

prefer：设置要使用的首选后端。可以是“processes”（进程）或“threads”（线程）。

require：设置对后端的请求。可以是“sharedmem”（共享内存）。

inner_max_num_threads：限制第三方库使用的最大线程数，这些库管理它们自己的 C 级线程池。此参数仅受 backend 支持，这些 backend 将 supports_inner_max_num_threads 类属性设置为 True，例如“loky”后端。

temp_folder、max_nbytes、mmap_mode：控制后端的自动内存映射行为。有关更多详细信息，请参阅在共享内存（内存映射）中使用数值数据

def process_row(row,idx,function):print('已经进入processrow')result = function(row)#print(f"处理完成 #{idx}: {str(result)[:50]}...")print(f"处理完成 #{idx}")result_clean=json_repair.loads(result)return result_clean# 使用Parallel进行并行处理，并添加verbose参数（日志详细程度）
results0= Parallel(n_jobs=10, verbose=10)(delayed(process_row)(row, i,function) for i, row in data0.iterrows()
)

通过Parallel的return_as参数，实现结果的即使反馈

return_as="generator"

输出可以是一个生成器，它会尽快返回可用的结果，即使后续任务尚未完成。输出的顺序始终与输入提交的顺序一致

return_as="generator_unordered" 

在这种情况下，输出的顺序取决于workers的并发情况，并且是不确定的，这意味着每次执行代码时结果的顺序可能不同。

传统的 Parallel(...)(...) 会先把所有任务结果收集完，再一次性返回一个 list。当任务数量大、单个结果对象很大时，可能导致内存占用暴涨，甚至 OOM（内存溢出）。

使用 return_as="generator" 则：1.每次只保留一个任务的结果在内存中 2.避免累积数百/数千个中间结果。

注意事项

generator使用过比如next/list（）后无法回到上一个状态，想要关闭的话使用.close()

环境准备

首先可以更新一下joblib包，1.0.1版本的是不支持return_as的参数的

import joblib
print(joblib.__version__)
!pip install --upgrade joblib

Embarrassingly parallel for loops — joblib 1.6.dev0 documentation

可以参考文档测试一下代码

from math import sqrt
from joblib import Parallel, delayed
parallel = Parallel(n_jobs=2, return_as="generator")
output_generator = parallel(delayed(sqrt)(i ** 2) for i in range(10))
print(type(output_generator))
print(next(output_generator))
print(next(output_generator))
print(list(output_generator))

 实现中断后可以继续处理未处理的数据

import os
import json
import pandas as pd
from joblib import Parallel, delayed
import json_repair# 假设这个是你已有的 DataFrame
# data0 = pd.read_csv(...) 或别的方式加载SAVE_DIR = "results_json"
os.makedirs(SAVE_DIR, exist_ok=True)# 检查是否已处理过
def has_processed(idx):return os.path.exists(os.path.join(SAVE_DIR, f"{idx}.json"))# 每一行任务的处理函数
def process_row(row, idx, openai_thinking_is_match):if has_processed(idx):print(f"跳过 #{idx}：已存在结果")return Noneprint(f"开始处理 #{idx}")result = openai_thinking_is_match(row)print(f"处理完成 #{idx}")result_clean = json_repair.loads(result)# 保存结果到独立文件with open(os.path.join(SAVE_DIR, f"{idx}.json"), "w", encoding="utf-8") as f:json.dump(result_clean, f, ensure_ascii=False, indent=2)return result_clean# 执行并行任务parallel = Parallel(n_jobs=50, return_as="generator", verbose=10)output_generator = parallel(delayed(process_row)(row, idx, function)for idx, row in data0.iterrows())# 可选：边执行边消费for _ in output_generator:pass