Question

基于此comment和参考文档，Python 3.4+中的Pickle 4.0+应该能够挑选大于4 GB的字节对象。

但是，在Mac OS X 10.10.4上使用python 3.4.3或python 3.5.0b2时，当我尝试挑选一个大字节数组时出现错误：

>>> import pickle
>>> x = bytearray(8 * 1000 * 1000 * 1000)
>>> fp = open("x.dat", "wb")
>>> pickle.dump(x, fp, protocol = 4)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
OSError: [Errno 22] Invalid argument

我的代码中是否有错误，或者我误解了文档？

Answer 1

以下是issue 24658的简单解决方法。使用pickle.loads或pickle.dumps并将bytes对象分成大小为2**31 - 1的块，以使其进入或退出文件。

import pickle
import os.path

file_path = "pkl.pkl"
n_bytes = 2**31
max_bytes = 2**31 - 1
data = bytearray(n_bytes)

## write
bytes_out = pickle.dumps(data)
with open(file_path, 'wb') as f_out:
    for idx in range(0, len(bytes_out), max_bytes):
        f_out.write(bytes_out[idx:idx+max_bytes])

## read
bytes_in = bytearray(0)
input_size = os.path.getsize(file_path)
with open(file_path, 'rb') as f_in:
    for _ in range(0, input_size, max_bytes):
        bytes_in += f_in.read(max_bytes)
data2 = pickle.loads(bytes_in)

assert(data == data2)

Answer 2

总结评论中回答的内容：

是的，Python可以腌制大于4GB的字节对象。观察到的错误是由实现中的错误引起的（请参阅Issue24658）。

Answer 3

这是完整的解决方法，虽然看起来pickle.load不再尝试转储一个巨大的文件了（我在Python 3.5.2上）所以严格来说只有pickle.dumps需要这个才能正常工作。

import pickle

class MacOSFile(object):

    def __init__(self, f):
        self.f = f

    def __getattr__(self, item):
        return getattr(self.f, item)

    def read(self, n):
        # print("reading total_bytes=%s" % n, flush=True)
        if n >= (1 << 31):
            buffer = bytearray(n)
            idx = 0
            while idx < n:
                batch_size = min(n - idx, 1 << 31 - 1)
                # print("reading bytes [%s,%s)..." % (idx, idx + batch_size), end="", flush=True)
                buffer[idx:idx + batch_size] = self.f.read(batch_size)
                # print("done.", flush=True)
                idx += batch_size
            return buffer
        return self.f.read(n)

    def write(self, buffer):
        n = len(buffer)
        print("writing total_bytes=%s..." % n, flush=True)
        idx = 0
        while idx < n:
            batch_size = min(n - idx, 1 << 31 - 1)
            print("writing bytes [%s, %s)... " % (idx, idx + batch_size), end="", flush=True)
            self.f.write(buffer[idx:idx + batch_size])
            print("done.", flush=True)
            idx += batch_size


def pickle_dump(obj, file_path):
    with open(file_path, "wb") as f:
        return pickle.dump(obj, MacOSFile(f), protocol=pickle.HIGHEST_PROTOCOL)


def pickle_load(file_path):
    with open(file_path, "rb") as f:
        return pickle.load(MacOSFile(f))

Answer 4

如果执行bytes连接，则按2GB块读取文件需要两倍的内存，我对加载 pickle的方法基于bytearray：

class MacOSFile(object):
    def __init__(self, f):
        self.f = f

    def __getattr__(self, item):
        return getattr(self.f, item)

    def read(self, n):
        if n >= (1 << 31):
            buffer = bytearray(n)
            pos = 0
            while pos < n:
                size = min(n - pos, 1 << 31 - 1)
                chunk = self.f.read(size)
                buffer[pos:pos + size] = chunk
                pos += size
            return buffer
        return self.f.read(n)

用法：

with open("/path", "rb") as fin:
    obj = pickle.load(MacOSFile(fin))

Answer 5

您可以指定转储的协议。如果您执行pickle.dump(obj,file,protocol=4)，它应该可以工作。

Answer 6

我也发现了这个问题，为了解决这个问题，我把代码分成了几个迭代。假设在这种情况下，我有50.000数据，我必须计算tf-idf并做knn classfication。当我运行并直接迭代50.000时，它给我“那个错误”。所以，为了解决这个问题，我把它搞定了。

tokenized_documents = self.load_tokenized_preprocessing_documents()
    idf = self.load_idf_41227()
    doc_length = len(documents)
    for iteration in range(0, 9):
        tfidf_documents = []
        for index in range(iteration, 4000):
            doc_tfidf = []
            for term in idf.keys():
                tf = self.term_frequency(term, tokenized_documents[index])
                doc_tfidf.append(tf * idf[term])
            doc = documents[index]
            tfidf = [doc_tfidf, doc[0], doc[1]]
            tfidf_documents.append(tfidf)
            print("{} from {} document {}".format(index, doc_length, doc[0]))

        self.save_tfidf_41227(tfidf_documents, iteration)

Answer 7

存在相同的问题，并通过升级到Python 3.6.8来解决。

似乎是这样做的PR：https://github.com/python/cpython/pull/9937

Python 3 - 可以处理大于4GB的字节对象吗？

7 个答案: