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：

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：

# -*- coding:utf-8 -*-__author__ = 'kikita'import arcpyimport timeitimport timeimport multiprocessingimport osarcpy.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

CPU Count:8AAA_0.shpBBB_0.shpCCC_0.shpBBB_1.shpAAA_1.shpCCC_1.shpBBB_2.shpAAA_2.shpCCC_2.shp………………BBB_28.shpAAA_27.shpBBB_29.shpCCC_28.shpCCC_29.shpAAA_28.shpBBB_30.shpCCC_30.shpAAA_29.shpAAA_30.shpElapsed:  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

Also available Here.