Проблемы с Python pickling / multiprocessing и Tableau Data Extract API

Я относительно новичок в Python и изо всех сил пытаюсь использовать модуль многопроцессорности для выполнения некоторого преобразования данных с интенсивным использованием ЦП. У меня есть большой кусок данных (~ 400 000 наблюдений ~ 300 переменных) в формате csv, который я хочу преобразовать в извлечение данных таблицы с помощью их Python API. Написание сценария для преобразования несложно, но для его завершения требуется около 15 минут, так как только 1 ЦП выполняет работу (с Tableau Desktop это занимает всего около 90 секунд). Мне нужно использовать все мои 8 ядер, чтобы преобразование прошло быстрее.

Моя первоначальная идея заключалась в том, чтобы разделить данные на 8 частей, заставить по 8 рабочих процессов создавать списки строк таблицы с помощью модуля многопроцессорности, а затем объединить строки в одну таблицу tde. Однако, поскольку объекты / классы строк Tableau определены в отдельном модуле (API tableau), я получаю ошибки травления и указателя. API сложен и основан на ряде других модулей, поэтому все мои попытки восстановить необходимые определения в основном глобальном пространстве потерпели неудачу.

Я пробовал использовать Dill и PiCloud, но обе попытки по-прежнему приводят к ошибкам травления или указателя. Кто-нибудь знает эффективный способ сериализации и / или многопроцессорной обработки вычислений в Python, который полагается на методы / объекты, определенные во внешнем пакете (без необходимости копаться в пакете, чтобы попытаться воссоздать колесо в вашей программе)?

Ниже приведена рабочая программа, которую я хочу использовать в нескольких процессах (я в значительной степени опирался на опубликованную здесь работу Брайана Бикелла http://www.interworks.com/blogs/bbickell/2012/12/06/introduction-python-tableau-data-extract-api-csv-extract-example):

from sys import argv
import os, csv, datetime, time
import dataextract as tde

csv.field_size_limit(10000000)

## Functions

# This function makes adding the columns to each row in the extract a bit easier.
def add_tde_col(colnum, row, val, t):
    # Date format used below
    dateformat = '%Y-%mm-%dd %H:%M:%S.%f'  

    if t == tdeTypes['INTEGER']:
        try: 
            convert = int(val)
            row.setInteger(colnum, convert)
        except ValueError:
            #if we bomb the cast then we just add a null 
            row.setNull(colnum)

    elif t == tdeTypes['DOUBLE']:
        try: 
            convert = float(val)
            row.setDouble(colnum, convert)
        except ValueError:                        
            row.setNull(colnum)

    elif t == tdeTypes['BOOLEAN']:
        try: 
            convert = int(val)
            if convert > -1 and convert <= 1:
                row.setBoolean(colnum, convert)
        else:
            row.setNull(colnum)
        except ValueError:
            row.setNull(colnum)

    elif t == tdeTypes['DATETIME']:
        try:
            d = datetime.datetime.strptime(val, dateformat)
           row.setDate(colnum, d.year, d.month, d.day, d.hour, d.minute, d.second, d.microsecond)
        except ValueError:
            row.setNull(colnum)

    elif t == tdeTypes['CHAR_STRING']:
        row.setCharString(colnum, val)

    elif t == tdeTypes['UNICODE_STRING']:
        row.setString(colnum, val)

    else:
        print 'Error'
        row.setNull(colnum)

# define csv input      
inputFile = 'test1.csv'

## Parameters 
tdeFileName = 'tdetest1.tde'

startTime = time.clock()

# Handy dictionary of Tableau data types
tdeTypes = {'INTEGER': 7, 'DOUBLE': 10, 'BOOLEAN': 11, 'DATE': 12, 'DATETIME': 13, 'DURATION': 14, 
            'CHAR_STRING': 15, 'UNICODE_STRING': 16}

## Define CSV Schema in dict, (truncated here for brevity)
csvSchema = []
csvSchema.append({'fAsOfDate': tdeTypes['DATETIME']})
csvSchema.append({'AsOfDate_Max': tdeTypes['DATETIME']})
csvSchema.append({'LoanID': tdeTypes['INTEGER']})
csvSchema.append({'lenderdatabaseid': tdeTypes['INTEGER']})
csvSchema.append({'loanrecordid': tdeTypes['INTEGER']})
csvSchema.append({'random_num': tdeTypes['INTEGER']})


# Try to create extract, delete if found.
try:
    tdeFile = tde.Extract(tdeFileName)
except: 
    os.system('del '+tdeFileName)
    os.system('del DataExtract.log')
    tdeFile = tde.Extract(tdeFileName)

# Open CSV
csvFile = open(inputFile, "rU")
reader = csv.reader(csvFile, delimiter = '^')

print 'Reading records from %s' % (inputFile)

# Create TDE table definition
tdeTableDef = tde.TableDefinition() 

print 'Defined table schema:'

# Build TDE Table Def from csv schema dict
for index, item in enumerate(csvSchema):
    for k, v in item.items():
        print 'Column %i: %s <%s>' % (index, k, tdeTypes.keys() [tdeTypes.values().index(v)])
        tdeTableDef.addColumn(k, v)

# Add table to extract
tdeTable = tdeFile.addTable("Extract",tdeTableDef)

print 'Writing records to %s' % (tdeFileName)

# iterate through rows and columns of csv -> add to tde
rownum = 0
for row in reader:
    if rownum == 0:
        header = row
    else:
        colnum = 0
        tdeRow = tde.Row(tdeTableDef)
        for col in row:
            if colnum+1 > len(csvSchema):
                break
            add_tde_col(colnum, tdeRow, row[colnum], csvSchema[colnum].values()[0])
            colnum += 1
        tdeTable.insert(tdeRow)
        tdeRow.close()        
    rownum += 1

print '%i rows added in total in %f seconds' % (rownum-1, time.clock()-startTime)

tdeFile.close()

csvFile.close()