Question

我一次又一次地重复以下习语。我从一个大文件中读取（有时，最多有120万条记录！）并将输出存储到SQLite数据库中。将内容放入SQLite DB似乎相当快。

def readerFunction(recordSize, recordFormat, connection, outputDirectory, outputFile, numObjects):

    insertString = "insert into NODE_DISP_INFO(node, analysis, timeStep, H1_translation, H2_translation, V_translation, H1_rotation, H2_rotation, V_rotation) values (?, ?, ?, ?, ?, ?, ?, ?, ?)" 

    analysisNumber = int(outputPath[-3:])

    outputFileObject = open(os.path.join(outputDirectory, outputFile), "rb")
    outputFileObject, numberOfRecordsInFileObject = determineNumberOfRecordsInFileObjectGivenRecordSize(recordSize, outputFileObject)

    numberOfRecordsPerObject = (numberOfRecordsInFileObject//numberOfObjects)

    loop1StartTime = time.time()
    for i in range(numberOfRecordsPerObject ):  
        processedRecords = []

        loop2StartTime = time.time()

        for j in range(numberOfObjects):
            fout = outputFileObject .read(recordSize)

            processedRecords.append(tuple([j+1, analysisNumber, i] + [x for x in list(struct.unpack(recordFormat, fout))]))

        loop2EndTime = time.time()
        print "Time taken to finish loop2: {}".format(loop2EndTime-loop2StartTime)  

        dbInsertStartTime = time.time()
        connection.executemany(insertString, processedRecords)
        dbInsertEndTime = time.time()

    loop1EndTime = time.time()
    print "Time taken to finish loop1: {}".format(loop1EndTime-loop1StartTime)

    outputFileObject.close()
    print "Finished reading output file for analysis {}...".format(analysisNumber)

当我运行代码时，似乎“循环2”和“插入数据库”是花费大部分执行时间的地方。平均“循环2”时间 0.003s ，但在某些分析中，它会运行到 50,000 次。将内容放入数据库所花费的时间大致相同： 0.004s 。目前，我每次在loop2完成后插入数据库，这样我就不用处理RAM了。

我可以做些什么来加速“循环2”？

Answer 1

这主要是I / O问题。

for j in range(numberOfObjects):
    fout = outputFileObject .read(recordSize)

您花费大部分时间阅读文件的少量增量位（即一次一条记录），然后使用struct解压缩这些单独的记录。这很慢。相反，抓住你想要的所有文件的整个块，然后让struct.unpack以C速度通过它。

你需要做一些数学计算才能找出read的字节数，并改变你的recordFormat格式字符串，告诉struct如何解包整个事情。我的例子中没有足够的信息让我更准确地告诉你应该怎么做。

我还必须指出：

tuple([j+1, analysisNumber, i] + [x for x in list(struct.unpack(recordFormat, fout))])

远更加清晰地写成：

(j+1, analysisNumber, i) + struct.unpack(recordFormat, fout)

...但如果您按照我的上述建议完全删除循环，则需要重构该行。（你可以使用zip和enumerate在解压缩整个东西之后将这些数据添加到每个结构成员上。

编辑示例。我将1M无符号整数打包到一个文件中。 yours()是您的方法，mine()是我的。

def yours():
     res = []
     with open('packed', 'rb') as f:
         while True:
             b = f.read(4)
             if not b:
                 break
             res.append(struct.unpack('I',b))
     return res

def mine():
     with open('packed', 'rb') as f:
         return struct.unpack('1000000I',f.read())

时序：

%timeit yours()
1 loops, best of 3: 388 ms per loop

%timeit mine()
100 loops, best of 3: 6.14 ms per loop

所以，大约有2个数量级的差异。

Answer 2

我认为使用mmap模块来处理内存映射文件可能会帮助你节省两次时间。我发现太小或者非常大的块不会节省太多，但你可以尝试看到最佳尺寸。

import mmap

def binFileRead(chunk):   # the reading of binary file length size
    with open(filename, "rb") as f:
        for n in range(int(length/chunk)):
            dd=f.read(chunk) 

def mapFileRead(chunk):  # the reading of memory mapped file length size
    with open(filename, "r+b") as f:
        mapf = mmap.mmap(f.fileno(), length, access=mmap.ACCESS_READ)  
        for n in range(int(length/chunk)):
            offset=n*chunk
            dd=mapf[offset:offset+chunk]
          #  dd=mapf.read(chunk)
        mapf.close()

我计算了两个功能：

timeit("mapFileRead({})".format(n),"from __main__ import mapFileRead", number=1))
timeit("binFileRead({})".format(n),"from __main__ import binFileRead", number=1))

chunk=4096: 
  mapFileRead 0.00837285185687 
  binFileRead 0.0148429479166

编辑：我认为，读取时对文件的索引访问允许使用并行读取多个记录的线程。如果你感兴趣，我可以写一个例子。

Answer 3

我看到循环2中唯一的错误是使用列表理解。

不要在列表类型对象上使用[x for x in list]。因为你在这里进行必要的迭代。它可以写成list

所以你应该写这样的东西，

processedRecords.append(
    tuple([j+1, analysisNumber, i] + list(struct.unpack(recordFormat, fout))))

如何加速这段代码（循环/列表/元组优化）？

3 个答案: