Question

我编写了一个python脚本，它读取了两个文件的内容，第一个是相对较小的文件（~30KB），第二个是较大的文件~270MB。两个文件的内容都加载到字典数据结构中。当第二个文件被加载时，我原本预计所需的RAM量大致相当于磁盘上文件的大小，可能有一些开销，但是看着我的PC上的RAM使用量似乎一直需要~2GB（左右）文件大小的8倍）。相关的源代码如下（暂停插入，以便我可以看到每个阶段的RAM使用情况）。消耗大量内存的行是“tweets = map（json.loads，tweet_file）”：

def get_scores(term_file):
    global scores
    for line in term_file:
        term, score  = line.split("\t") #tab character
        scores[term] = int(score)

def pause():
    tmp = raw_input('press any key to continue: ')

def main():
    # get terms and their scores..
    print 'open word list file ...'
    term_file = open(sys.argv[1])
    pause()
    print 'create dictionary from word list file ...'
    get_scores(term_file)
    pause()
    print 'close word list file ...'
    term_file.close
    pause()

    # get tweets from file...
    print 'open tweets file ...'
    tweet_file = open(sys.argv[2])
    pause()
    print 'create dictionary from word list file ...'
    tweets = map(json.loads, tweet_file) #creates a list of dictionaries (one per tweet)
    pause()
    print 'close tweets file ...'
    tweet_file.close
    pause()

有谁知道这是为什么？我担心的是，我想将我的研究扩展到更大的文件，但会快速耗尽内存。有趣的是，打开文件后内存使用量似乎没有明显增加（因为我认为这只是创建一个指针）。

我有一个想法，一次尝试循环遍历文件并处理我能做的事情，只存储我需要的最小值以供将来参考，而不是将所有内容加载到字典列表中，但我只是对看看创建字典时文件大小乘以8倍的内存是否符合其他人的经验？

Answer 1

我猜测你的词典中有多个副本同时存储在内存中（各种格式）。例如，行：

tweets = map(json.loads, tweet_file) #creates a list of dictionaries (one per tweet)

将创建一个 new 副本（+ 400~1000MB包含字典的开销）。但你原来的tweet_file留在记忆中。为什么这么大的数字？好吧，如果你使用Unicode字符串，每个Unicode字符在内存中使用2或4个字节。而在您的文件中，假设UTF-8编码，大多数字符只使用1个字节。如果在Python 2中使用普通字符串，则内存中字符串的大小应与磁盘上的大小几乎相同。所以你必须找到另一种解释。

编辑： Python 2中“字符”占用的实际字节数可能会有所不同。以下是一些例子：

>>> import sys
>>> sys.getsizeof("")
40
>>> sys.getsizeof("a")
41
>>> sys.getsizeof("ab")
42

如您所见，出现，每个字符都编码为一个字节。但是：

>>> sys.getsizeof("à")
42

不适用于“法国”字符。而且......

>>> sys.getsizeof("世")
43
>>> sys.getsizeof("世界")
46

对于日语，我们每个字符有3个字节。

以上结果取决于网站 - 并且我的系统使用'UTF-8'作为默认编码。上面计算的“字符串大小”实际上是“字节字符串的大小”表示给定文本。

如果'json.load'使用“unicode”字符串，结果会有所不同：

>>> sys.getsizeof(u"")
52
>>> sys.getsizeof(u"a")
56
>>> sys.getsizeof(u"ab")
60
>>> sys.getsizeof(u"世")
56
>>> sys.getsizeof(u"世界")
60

在这种情况下，正如您所看到的，每个额外的字符都会增加4个字节。

也许文件对象会缓存一些数据？如果要触发对象的显式dellaocation，请尝试将其引用设置为None：

tweets = map(json.loads, tweet_file) #creates a list of dictionaries (one per tweet)
[...]
tweet_file.close()
tweet_file = None

当对某个对象没有任何引用时，Python会解除它 - 然后释放相应的内存（来自Python堆的 - 我不认为是内存返回系统）。

Answer 2

我写了一个快速测试脚本来确认你的结果......

import sys
import os
import json
import resource

def get_rss():
    return resource.getrusage(resource.RUSAGE_SELF).ru_maxrss * 1024

def getsizeof_r(obj):
    total = 0
    if isinstance(obj, list):
        for i in obj:
            total += getsizeof_r(i)
    elif isinstance(obj, dict):
        for k, v in obj.iteritems():
            total += getsizeof_r(k) + getsizeof_r(v)
    else:
        total += sys.getsizeof(obj)
    return total

def main():
    start_rss = get_rss()
    filename = 'foo'
    f = open(filename, 'r')
    l = map(json.loads, f)
    f.close()
    end_rss = get_rss()

    print 'File size is: %d' % os.path.getsize(filename)
    print 'Data size is: %d' % getsizeof_r(l)
    print 'RSS delta is: %d' % (end_rss - start_rss)

if __name__ == '__main__':
    main()

...打印......

File size is: 1060864
Data size is: 4313088
RSS delta is: 4722688

...所以我只增加了四倍，这可以通过每个Unicode字符占用四个字节的RAM这一事实来解释。

也许您可以使用此脚本测试输入文件，因为我无法解释为什么您的脚本会增加八倍。

Answer 3

您是否考虑过密钥的内存使用情况？如果字典中有许多小值，则键的存储可能占主导地位。

为什么字典在Python中使用如此多的RAM

3 个答案: