Question

我正在尝试从包含大约300万个json序列化对象的文件中加载数据集。每个对象都是一个包含各种类型的大型嵌套字典 - 整数，浮点数，列表和其他字典。

磁盘上文件的大小约为60GB。我有超过128GB的内存，所以我应该能够将整个内存放入内存中。但是，当我使用以下代码将数据加载到大型字典中时，已使用内存的大小增加到至少110GB（甚至可能会变大，但我会在脚本增长之前停止它。）

什么可以解释我在尝试加载此数据时看到的内存开销？为什么60GB磁盘会在内存中转换为110GB或更多？据我所知，这里唯一的开销应该是为对象创建列表容器，以及在结果字典中为这些列表分配一个键名。这不可能占据数据本身几乎两倍的内存 - 可以吗？

def load_by_geohash(file, specificity=7):
    results = defaultdict(list)
    filename = os.path.join(DATADIR, file)

    with open(filename, 'r') as f:
        updates = (json.loads(line) for line in f)
        for update in updates:
            geo_hash = update['geohash'][:specificity]
            results[geo_hash].append(update)

    return results

Answer 1

是的，很容易就可以。考虑一个字符串列表的简单情况：

>>> import json
>>> from sys import getsizeof
>>> x = ['a string', 'another string', 'yet another']
>>> sum(map(getsizeof, x)) + getsizeof(x)
268
>>> len(json.dumps(x).encode())
45
>>>

在Python中，一切都是对象。因此，每个（好的，大多数）单个对象的至少 sys.getsizeof(object())开销。请注意，我的系统上有一个空字符串：

>>> getsizeof('')
49

请注意，dict个对象的差异更大，请考虑：

>>> d
{'a': 'a string', 'b': 'another string', 'c': 'yet another'}
>>> sum(map(getsizeof, d)) + sum(map(getsizeof, d.values())) + getsizeof(d)
570
>>> len(json.dumps(d).encode())
60

对于空字典的情况来说，这是非常重要的：

>>> getsizeof({}), len(json.dumps({}).encode())
(240, 2)

现在，有各种选项可以更紧凑地存储您的数据。但这取决于你的用例。

Here是关于许多词典的内存使用情况的相关问题。还有一个使用numpy数组和namedtuple对象来更紧凑地存储数据的示例。注意，使用namedtuple对象可能就是您所需要的，节省的内存可能很大，因为您不需要为键存储实际的字符串对象。如果你的子词典结构是常规的，我建议用嵌套的update对象替换那些嵌套的namedtuple dict。

为什么数据字典的内存开销是磁盘上相同数据的两倍？

1 个答案: