Question

我有一个使用fn每5分钟生成一个NetCDF文件netcdf4.Dataset(fn, mode=a)的进程。我还使用xarray.Dataset对该NetCDF文件进行了散景服务器可视化（我想保留它，因为它非常方便）。

问题是NetCDF-update-process在尝试向fn添加新数据时失败，如果它在我的散景服务器进程中通过

打开

ds = xarray.open_dataset(fn)

如果我使用选项autoclose

ds = xarray.open_dataset(fn, autoclose=True)

在fn为＆＃34;打开＆＃34;时，使用其他流程更新ds在散景服务器应用程序中工作，但散景图的更新，从fn拉出时间片，变得非常滞后。

我的问题是：使用xarray.Dataset时是否有其他方法可以释放NetCDF文件的锁定？

我不关心xarray.Dataset的形状是否仅在重新加载整个散景服务器应用程序后一致更新。

谢谢！

以下是一个最小的工作示例：

将其放入文件并运行：

import time
from datetime import datetime

import numpy as np
import netCDF4

fn = 'my_growing_file.nc'

with netCDF4.Dataset(fn, 'w') as nc_fh:
    # create dimensions
    nc_fh.createDimension('x', 90)
    nc_fh.createDimension('y', 90)
    nc_fh.createDimension('time', None)

    # create variables
    nc_fh.createVariable('x', 'f8', ('x'))
    nc_fh.createVariable('y', 'f8', ('y'))
    nc_fh.createVariable('time', 'f8', ('time'))
    nc_fh.createVariable('rainfall_amount',
                         'i2',
                         ('time', 'y', 'x'),
                         zlib=False,
                         complevel=0,
                         fill_value=-9999,
                         chunksizes=(1, 90, 90))
    nc_fh['rainfall_amount'].scale_factor = 0.1
    nc_fh['rainfall_amount'].add_offset = 0

    nc_fh.set_auto_maskandscale(True)

    # variable attributes
    nc_fh['time'].long_name = 'Time'
    nc_fh['time'].standard_name = 'time'
    nc_fh['time'].units = 'hours since 2000-01-01 00:50:00.0'
    nc_fh['time'].calendar = 'standard'

for i in range(1000):
    with netCDF4.Dataset(fn, 'a') as nc_fh:
        current_length = len(nc_fh['time'])

        print('Appending to NetCDF file {}'.format(fn))
        print(' length of time vector: {}'.format(current_length))

        if current_length > 0:
            last_time_stamp = netCDF4.num2date(
                nc_fh['time'][-1],
                units=nc_fh['time'].units,
                calendar=nc_fh['time'].calendar)
            print(' last time stamp in NetCDF: {}'.format(str(last_time_stamp)))
        else:
            last_time_stamp = '1900-01-01'
            print(' empty file, starting from scratch')

        nc_fh['time'][i] = netCDF4.date2num(
            datetime.utcnow(),
            units=nc_fh['time'].units,
            calendar=nc_fh['time'].calendar)
        nc_fh['rainfall_amount'][i, :, :] = np.random.rand(90, 90)

    print('Sleeping...\n')
    time.sleep(3)

然后，转到例如IPython并通过以下方式打开不断增长的文件：

ds = xr.open_dataset('my_growing_file.nc')

这会导致附加到NetCDF的进程失败，输出如下：

Appending to NetCDF file my_growing_file.nc
 length of time vector: 0
 empty file, starting from scratch
Sleeping...

Appending to NetCDF file my_growing_file.nc
 length of time vector: 1
 last time stamp in NetCDF: 2018-04-12 08:52:39.145999
Sleeping...

Appending to NetCDF file my_growing_file.nc
 length of time vector: 2
 last time stamp in NetCDF: 2018-04-12 08:52:42.159254
Sleeping...

Appending to NetCDF file my_growing_file.nc
 length of time vector: 3
 last time stamp in NetCDF: 2018-04-12 08:52:45.169516
Sleeping...

---------------------------------------------------------------------------
IOError                                   Traceback (most recent call last)
<ipython-input-17-9950ca2e53a6> in <module>()
     37 
     38 for i in range(1000):
---> 39     with netCDF4.Dataset(fn, 'a') as nc_fh:
     40         current_length = len(nc_fh['time'])
     41 

netCDF4/_netCDF4.pyx in netCDF4._netCDF4.Dataset.__init__()

netCDF4/_netCDF4.pyx in netCDF4._netCDF4._ensure_nc_success()

IOError: [Errno -101] NetCDF: HDF error: 'my_growing_file.nc'

如果使用

ds = xr.open_dataset('my_growing_file.nc', autoclose=True)

没有错误，但通过xarray的访问时间当然会变慢，这正是我的问题，因为我的仪表板可视化非常滞后。

我可以理解这可能不是xarray的预期用途，如果需要，我会回到netCDF4提供的较低级别接口（希望它支持并发文件访问，至少对于读取而言，但我想保留xarray以方便使用。

Answer 1

我在这里回答我自己的问题，因为我找到了解决该问题的方法，或者更好的办法，就是解决Python中NetCDF的文件锁定问题。

一个好的解决方案是，如果要在文件中保持打开状态的同时不断扩大文件中的数据集，请使用zarr而不是NetCDF文件。实时可视化。

幸运的是，由于append_dim keyword argument，xarray现在还可以轻松地使用a recently merged PR沿选定的维度将数据附加到现有zarr文件中。

使用zarr代替我的问题中的NetCDF的代码如下：


import dask.array as da
import xarray as xr
import pandas as pd
import datetime
import time

fn = '/tmp/my_growing_file.zarr'

# Creat a dummy dataset and write it to zarr
data = da.random.random(size=(30, 900, 1200), chunks=(10, 900, 1200))
t = pd.date_range(end=datetime.datetime.utcnow(), periods=30, freq='1s')
ds = xr.Dataset(
    data_vars={'foo': (('time', 'y', 'x'), data)},
    coords={'time': t},
)
#ds.to_zarr(fn, mode='w', encoding={'foo': {'dtype': 'int16', 'scale_factor': 0.1, '_FillValue':-9999}})
#ds.to_zarr(fn, mode='w', encoding={'time': {'_FillValue': -9999}})
ds.to_zarr(fn, mode='w')

# Append new data in smaller chunks
for i in range(100):
    print('Sleeping for 10 seconds...')
    time.sleep(10)

    data = 0.01 * i + da.random.random(size=(7, 900, 1200), chunks=(7, 900, 1200))
    t = pd.date_range(end=datetime.datetime.utcnow(), periods=7, freq='1s')
    ds = xr.Dataset(
        data_vars={'foo': (('time', 'y', 'x'), data)},
        coords={'time': t},
    )
    print(f'Appending 7 new time slices with latest time stamp {t[-1]}')
    ds.to_zarr(fn, append_dim='time')

然后您可以打开另一个Python进程，例如IPython和

 ds = xr.open_zarr('/tmp/my_growing_file.zarr/')

一遍又一遍而不会导致编写器进程崩溃。

在此示例中，我使用了xarray verion 0.15.0和zarr版本2.4.0。

一些附加说明：

请注意，此示例中的代码有意地附加了一些小块，这些块不均匀地分割了zarr文件中的块大小，以了解这如何影响这些块。从我的测试中，我可以说保留了zarr文件的最初选择的块大小，这很棒！

还要注意，由于datetime64数据由xarray编码并存储为整数以符合NetCDF的CF约定，因此代码在添加时会生成警告。这也适用于zarr文件，但是目前看来_FillValue并未自动设置。只要您的时间数据中没有NaT，就没关系。

免责声明：我还没有尝试使用更大的数据集和长时间运行的过程来增长文件，因此，我无法评论最终性能下降或如果奇怪的文件或其元数据从某种程度上分散了可能发生的其他问题这个过程。

有没有办法释放xarray.Dataset的文件锁？

1 个答案: