浅谈使用ArcPy执行大数据量处理任务

Python功能强大而易于学习。对于ArcGIS for Desktop用户来讲,Python是提高工作效率的不二选择。

Arcpy是esri提供的用于高效数据处理分析、制图等的Python站点包。 利用ArcPy,我们可以在ArcMap的Python窗口交互执行脚本,还可以创建自定义脚本工具或脚本工具箱,还可以在ArcGIS之外运行独立脚本,享受更纯正的python体验。

这一篇说说如何利用Python批量执行数据处理任务,这个问题也是前段时间遇到的用户的实际问题,比较有价值。

需求

还是从实例开始……

有一个简单但耗体力的裁剪任务,希望通过大量面分割(逐一裁剪)大量的数据,类似Split工具要完成的任务,并且要按照一定的规则命名将分割结果输出到指定的位置,例如要求有指定前缀。

实现

例如,一种思路是逐一遍历面要素,然后去裁剪目标数据再输出,这时你可能会遇到下面的小问题:

我如何通过ArcPy获取要素的几何?

在ArcPy中提供了一个数据访问模块/Data Access (arcpy.da),我们可以通过游标(Cursor)来查询要素的几何或属性。在这个需求中是逐一遍历面要素的几何,我们选择 SearchCursor,通过 SHAPE@ 可以访问要素的几何。

语法: SearchCursor(in_table, field_names, {where_clause}, {spatial_reference}, {explode_to_points}, {sql_clause})

了解详细的帮助信息点这里

那么可以把函数主体定义成这样,即可实现需求:

1
2
3
4
5
6
7
8
9
10
11
12
13
def MyBatchClip(Parameter):
# 参数
inputFC = Parameter[0]
ClipArea = Parameter[1]
OutputWS = Parameter[2]
Prefix = Parameter[3]
# 字段列表,SHAPE@ 访问要素几何对象
Fields = ['FID','SHAPE@']
# 遍历面要素逐一裁剪目标数据并输出自定义前缀的结果。
with arcpy.da.SearchCursor(ClipArea,Fields) as cursor:
for row in cursor:
outputFC = os.path.join(OutputWS, Prefix+str(row[0])+'.shp')
arcpy.Clip_analysis(inputFC, row[1], outputFC)

多进程

如果这个批量任务是大量的,如何更高效地开动起来?

这里按照esri以前的一篇 Blog 提到的方法分享给大家,使用Multiprocessing模块并行处理。 Multiprocessing 模块是Python的一个标准库,通过这个库,我们可以利用多核CPU,来实现多进程处理大数据量的任务。

可以通过 multiprocessing.Pool 来使用进程池,Pool类可以管理固定数目的进程,默认是开启和机器CPU数目相同的进程。

语法:
multiprocessing.Pool([processes[, initializer[, initargs[, maxtasksperchild]]]])
processes表示pool中进程的数目,默认地为当前CPU的核数。
initializer表示新进程的初始化函数。
initargs表示新进程的初始化函数的参数。
maxtasksperchild表示每个进程执行task的最大数目

把脚本修改下,加上多进程处理的部分:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
# -*- coding:utf-8 -*-
__author__ = 'kikita'

import arcpy
import timeit
import time
import multiprocessing
import os

arcpy.env.workspace = r'D:\LearnAboutPython\MyPythonProject\UsingCurser\DemoDataS.gdb'
arcpy.env.overwriteOutput = True

# 批量裁剪函数
def MyBatchClip(Parameter):
# 参数
inputFC = Parameter[0]
ClipArea = Parameter[1]
OutputWS = Parameter[2]
Prefix = Parameter[3]
# 字段列表,其中 SHAPE@用于访问数据几何
Fields = ['OBJECTID','SHAPE@']
with arcpy.da.SearchCursor(ClipArea,Fields) as cursor:
for row in cursor:
outputFC = os.path.join(OutputWS, Prefix+str(row[0])+'.shp')
arcpy.Clip_analysis(inputFC, row[1], outputFC)
print Prefix+str(row[0])+'.shp'


if __name__ == '__main__':
# 参数
OutputWS = r'D:\LearnAboutPython\MyPythonProject\UsingCurser\OutputWS'
# SDE库输出
#OutputWS = r'C:\Connection131.sde'
Parameter1 = ['CountyPoints','Area_A',OutputWS, 'AAA_']
Parameter2 = ['hyd_line','Area_B',OutputWS, 'BBB_']
Parameter3 = ['River_line.shp','Area_C.shp',OutputWS,'CCC_']
Parameters = [Parameter1,Parameter2,Parameter3]
# 当前CPU核数
print 'CPU Count:' + str(multiprocessing.cpu_count())
# 进程池
MyGPpool = multiprocessing.Pool()
# 多进程并行处理
StartTime = time.time()
results = MyGPpool.map(MyBatchClip,Parameters)
EndTime = time.time()
print 'Elapsed: ' + str(EndTime - StartTime) + ' Seconds...'

结果

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
CPU Count:8
AAA_0.shp
BBB_0.shp
CCC_0.shp
BBB_1.shp
AAA_1.shp
CCC_1.shp
BBB_2.shp
AAA_2.shp
CCC_2.shp
……
……
……
BBB_28.shp
AAA_27.shp
BBB_29.shp
CCC_28.shp
CCC_29.shp
AAA_28.shp
BBB_30.shp
CCC_30.shp
AAA_29.shp
AAA_30.shp
Elapsed: 28.628000021 Seconds...

一点有用的提示:

1.在使用Multiprocessing时,注意数据锁定(Schema Lock)的问题,例如这个例子中,当输出工作空间选择为FileGDB时出现异常。 使用文件夹输出 Shapefile,或者以SDE数据库作为输出工作空间,都是可以的。

2.我在代码中也加入了计时,用于比较并行与否的耗时情况。 但是有时确实会发现,较简单的处理任务时,多进程并行并不比单进程快,因为导入模块和启动进程都需要花时间。

参考:
https://blogs.esri.com/esri/arcgis/2012/09/26/distributed-processing-with-arcgis-part-1/
https://docs.python.org/2/library/multiprocessing.html#using-a-pool-of-workers
https://www.binpress.com/tutorial/simple-python-parallelism/121
http://cloga.info/python/2014/01/12/PythonMultiprocessingintro/
http://kmdouglass.github.io/posts/learning-pythons-multiprocessing-module.html
http://broadcast.oreilly.com/2009/04/pymotw-multiprocessing-part-2.html

如果需要转载文章,请注明出处哦!