numpy.memmap：虚假的内存分配

时间：2015-12-01 15:14:06

标签： python linux numpy memory-mapped-files sparse-file

我有一个python3脚本，可以使用numpy.memmap数组。它将数组写入新生成的临时文件，该文件位于/tmp：

import numpy, tempfile

size = 2 ** 37 * 10
tmp = tempfile.NamedTemporaryFile('w+')
array = numpy.memmap(tmp.name, dtype = 'i8', mode = 'w+', shape = size)
array[0] = 666
array[size-1] = 777
del array
array2 = numpy.memmap(tmp.name, dtype = 'i8', mode = 'r+', shape = size)
print('File: {}. Array size: {}. First cell value: {}. Last cell value: {}'.\
      format(tmp.name, len(array2), array2[0], array2[size-1]))
while True:
    pass

硬盘大小仅为250G。然而，它可以以某种方式在/tmp中生成10T大文件，并且相应的数组似乎仍然可以访问。脚本的输出如下：

File: /tmp/tmptjfwy8nr. Array size: 1374389534720. First cell value: 666. Last cell value: 777

该文件确实存在并显示为10T大：

$ ls -l /tmp/tmptjfwy8nr
-rw------- 1 user user 10995116277760 Dec  1 15:50 /tmp/tmptjfwy8nr

但是，/tmp的整个尺寸要小得多：

$ df -h /tmp
Filesystem      Size  Used Avail Use% Mounted on
/dev/sda1       235G  5.3G  218G   3% /

该过程也假装使用10T虚拟内存，这也是不可能的。 top命令的输出：

  PID USER      PR  NI    VIRT    RES    SHR S  %CPU %MEM     TIME+ COMMAND 
31622 user      20   0 10.000t  16592   4600 R 100.0  0.0   0:45.63 python3

据我了解，这意味着在调用numpy.memmap期间，不会分配整个数组所需的内存，因此显示的文件大小是伪造的。这反过来意味着当我开始逐渐用我的数据填充整个数组时，在某些时候我的程序将崩溃或我的数据将被破坏。

的确，如果我在我的代码中引入以下内容：

for i in range(size):
    array[i] = i

我在一段时间后得到错误：

Bus error (core dumped)

因此，问题：如何在开头检查，如果有足够的内存用于数据，然后确实为整个数组保留了空间？

2 个答案:

答案 0 :(得分：5)

什么都没有＆＃39;虚假＆＃39;关于你正在生成10 TB文件的事实

您要求的是大小

的数组
  

2 ** 37 * 10 = 1374389534720元素

'i8'的dtype表示8字节（64位）整数，因此最终数组的大小为

  

1374389534720 * 8 = 10995116277760字节

或

  

10995116277760 / 1E12 = 10.99511627776 TB

如果您只有250 GB的可用磁盘空间，那么您如何才能创建一个＆＃34; 10 TB＆＃34;文件？

假设您正在使用相当现代的文件系统，那么无论您是否确实有足够的物理磁盘空间来支持它们，您的操作系统都能够生成几乎任意大的sparse files。

例如，在我的Linux机器上，我可以做这样的事情：

# I only have about 50GB of free space...
~$ df -h /
Filesystem     Type  Size  Used Avail Use% Mounted on
/dev/sdb1      ext4  459G  383G   53G  88% /

~$ dd if=/dev/zero of=sparsefile bs=1 count=0 seek=10T
0+0 records in
0+0 records out
0 bytes (0 B) copied, 0.000236933 s, 0.0 kB/s

# ...but I can still generate a sparse file that reports its size as 10 TB
~$ ls -lah sparsefile
-rw-rw-r-- 1 alistair alistair 10T Dec  1 21:17 sparsefile

# however, this file uses zero bytes of "actual" disk space
~$ du -h sparsefile
0       sparsefile

初始化后，请尝试在du -h文件上调用np.memmap，以查看它使用的实际磁盘空间大小。

当您开始实际将数据写入np.memmap文件时，一切都会正常，直到您超出存储的物理容量，此时进程将以Bus error终止。这意味着如果你需要写＆lt; 250GB的数据到你的np.memmap数组然后可能没有问题（实际上这可能还取决于你在数组中写的位置，以及它是行还是列主要）。

进程如何使用10 TB的虚拟内存？

当您创建memory map时，内核会在调用进程的虚拟地址空间内分配一个新的地址块，并将它们映射到磁盘上的文件。因此，Python进程使用的虚拟内存量将增加刚刚创建的文件的大小。由于文件也可能是稀疏的，因此虚拟内存不仅可以超过可用的RAM总量，而且还可以超过计算机上的总物理磁盘空间。

如何检查是否有足够的磁盘空间来存储完整的np.memmap阵列？

我假设你想用Python编程。

  1. 获取可用的可用磁盘空间量。 this previous SO question的答案中给出了各种方法。一个选项是os.statvfs：

    import os

def get_free_bytes(path='/'):
    st = os.statvfs(path)
    return st.f_bavail * st.f_bsize

print(get_free_bytes())
# 56224485376

  2. 以字节为单位计算出数组的大小：

    import numpy as np

def check_asize_bytes(shape, dtype):
    return np.prod(shape) * np.dtype(dtype).itemsize

print(check_asize_bytes((2 ** 37 * 10,), 'i8'))
# 10995116277760

  3. 检查是否2.＆gt; 1。

    4. 更新：是否有安全的＆＃39;分配np.memmap文件的方法，保证保留足够的磁盘空间来存储整个数组？

    一种可能性是使用fallocate预分配磁盘空间，例如：

    ~$ fallocate -l 1G bigfile

~$ du -h bigfile
1.1G    bigfile

    你可以用Python调用它，例如使用subprocess.check_call：

    import subprocess

def fallocate(fname, length):
    return subprocess.check_call(['fallocate', '-l', str(length), fname])

def safe_memmap_alloc(fname, dtype, shape, *args, **kwargs):
    nbytes = np.prod(shape) * np.dtype(dtype).itemsize
    fallocate(fname, nbytes)
    return np.memmap(fname, dtype, *args, shape=shape, **kwargs)

mmap = safe_memmap_alloc('test.mmap', np.int64, (1024, 1024))

print(mmap.nbytes / 1E6)
# 8.388608

print(subprocess.check_output(['du', '-h', 'test.mmap']))
# 8.0M    test.mmap

    我不知道使用标准库执行此操作的平台无关方式，但有一个fallocate Python module on PyPI适用于任何基于Posix的操作系统。

答案 1 :(得分：-1)

根据@ali_m的答案，我终于找到了这个解决方案：

# must be called with the argumant marking array size in GB
import sys, numpy, tempfile, subprocess

size = (2 ** 27) * int(sys.argv[1])
tmp_primary = tempfile.NamedTemporaryFile('w+')
array = numpy.memmap(tmp_primary.name, dtype = 'i8', mode = 'w+', shape = size)
tmp = tempfile.NamedTemporaryFile('w+')
check = subprocess.Popen(['cp', '--sparse=never', tmp_primary.name, tmp.name])
stdout, stderr = check.communicate()
if stderr:
    sys.stderr.write(stderr.decode('utf-8'))
    sys.exit(1)
del array
tmp_primary.close()
array = numpy.memmap(tmp.name, dtype = 'i8', mode = 'r+', shape = size)
array[0] = 666
array[size-1] = 777
print('File: {}. Array size: {}. First cell value: {}. Last cell value: {}'.\
      format(tmp.name, len(array), array[0], array[size-1]))
while True:
    pass

这个想法是将最初生成的稀疏文件复制到新的正常文件。对于使用选项cp的{​​{1}}，

当使用可管理的大小参数（例如，1 GB）调用脚本时，数组将映射到非稀疏文件。这由--sparse=never命令的输出确认，该命令现在显示大约1 GB。如果内存不足，脚本将退出并显示错误：

du -h
相关问题
最新问题