Iguananaut
2020-02-01 00:05
尝试像这样重构代码：
在中scan.py，将所有模块级别的代码移到一个函数中，例如：
def run(repo, cpuid):
# do whatever scan.py does given a repo path and cpuid
# instead of printing to stdout, have this return a value
如果您还仍然希望scan.py拥有命令行界面，请添加：
import argparse
def main(argv=None):
parser = argparse.ArgumentParser()
# ... implement command-line argument parsing here
args = parser.parse_args(argv)
value = run(args.repo, args.cpuid)
print(value)
if __name__ == '__main__':
main()
现在，您可以run.py执行以下操作：
import multiprocessing
import scan # maybe give this a more specialized name
def work(args):
repo, cpuid = args
output = scan.run(repo, cpuid)
for line in output.splitlines():
# Do whatever you want to do here...
def main():
repos = ... # You didn't show us where this comes from
pool = multiprocessing.Pool() # Or pass however many processes
pool.map(work, [(r[0], '1-240') for r in repos])
if __name__ == '__main__':
main()
这样的事情。我在这里要说明的是，如果您明智地考虑代码因素，它将使多处理变得更加简单。但是，这里的某些细节有些过时。
热门帖子
相关问题
热门github
1
2
4
The Python Risk Identification Tool for generative AI (PyRIT) is an open access automation framework to empower security professionals and machine learning engineers to proactively find risks in their generative AI systems.
(翻译：用于生成式 AI 的 Python 风险识别工具 (PyRIT) 是一个开放式访问自动化框架，使安全专业人员和机器学习工程师能够主动发现其生成式 AI 系统中的风险。)
5
7
8
9
Mamba is a new state space model architecture showing promising performance on information-dense data such as language modeling, where previous subquadratic models fall short of Transformers. It is based on the line of progress on structured state space models, with an efficient hardware-aware design and implementation in the spirit of FlashAttention.
(翻译：Mamba 是一种新的状态空间模型架构，在信息密集型数据（例如语言建模）上显示出良好的性能，而之前的二次模型在 Transformers 方面存在不足。它基于结构化状态空间模型的进展，并本着FlashAttention的精神进行高效的硬件感知设计和实现。)
10
11
13
谢谢。会尽快尝试。在run（）中，我可以顺序调用subprocess.run（），对吗？
是的，如果您正在运行多个命令并收集它们的标准输出，则可能需要将每个标准输出添加到返回的列表中，或者可以将其添加到生成器函数中，并
yield在运行时输出每一行，然后像调用它for line in run(...): print(line)。