Question

我们有相当大的文件，1-1.5 GB组合的顺序（主要是日志文件）与原始数据很容易解析为csv，随后应该将其绘制成图形以生成一组图形图像。

目前，我们正在使用bash脚本将原始数据转换为csv文件，只需要绘制数字，然后将其输入到gnuplot脚本中。但这个过程非常缓慢。我试图通过用一个cut命令替换一些管道tr，awk等来加速bash脚本，虽然这提高了速度，整个事情仍然很慢

所以，我开始相信这个过程有更好的工具。我目前正在寻找在python + numpy或R中重写这个过程。我的一个朋友建议使用JVM，如果我这样做，我将使用clojure，但我不确定JVM将如何执行。

我在处理这类问题方面没有多少经验，所以关于如何进行的任何建议都会很棒。感谢。

编辑：另外，我想要存储（到磁盘）生成的中间数据，即csv，所以我不需要重新生成它，我应该选择我想要的一个不同的图表。

编辑2：原始数据文件每行有一条记录，其字段由分隔符（|）分隔。并非所有字段都是数字。输出csv中我需要的每个字段是通过在输入记录上应用某个公式获得的，输入记录可以使用输入数据中的多个字段。输出csv每行将有3-4个字段，我需要在（可能是）条形图中绘制1-2,1-3,1-4字段的图表。我希望能给出更好的图片。

编辑3：我稍微修改了@ adirau的脚本，似乎工作得很好。我已经足够了，我正在读取数据，发送到处理器线程池（伪处理，将线程名称附加到数据），并通过另一个收集器线程将其聚合到输出文件中。 / p>

PS：我不确定这个问题的标记，随时纠正它。

Answer 1

python听起来是个不错的选择，因为它有一个很好的线程API（虽然实现有问题），matplotlib和pylab。我想念你的更多规格，但也许这对你来说是一个很好的起点：matplotlib: async plotting with threads。我会选择一个线程来处理批量磁盘i / o读取和同步排队到一个线程池进行数据处理（如果你有固定的记录长度，通过预先计算读取偏移量并将偏移量传递给线程池可以加快速度） ;使用diskio线程我将mmap数据源文件，读取预定义的num个字节+多一个读取，最终获取最后一个字节到当前数据源lineinput的结尾;应在平均线路输入长度附近选择数字;接下来是通过队列进行池提供以及在线程池中进行的数据处理/绘图;我在这里没有一张好照片（你正在准确地绘制什么），但我希望这会有所帮助。

编辑：有一个file.readlines（[sizehint]）一次抓取多行;好吧，它可能不是那么快，因为文档说它在内部使用readline（）

编辑：快速骨架代码

import threading
from collections import deque
import sys
import mmap


class processor(Thread):
    """
        processor gets a batch of data at time from the diskio thread
    """
    def __init__(self,q):
        Thread.__init__(self,name="plotter")
        self._queue = q
    def run(self):
        #get batched data 
        while True:
            #we wait for a batch
            dataloop = self.feed(self._queue.get())
            try:
                while True:
                    self.plot(dataloop.next())
            except StopIteration:
                pass
            #sanitizer exceptions following, maybe

    def parseline(self,line):
        """ return a data struct ready for plotting """
        raise NotImplementedError

    def feed(self,databuf):
        #we yield one-at-time datastruct ready-to-go for plotting
        for line in databuf:
            yield self.parseline(line)

    def plot(self,data):
        """integrate
        https://www.esclab.tw/wiki/index.php/Matplotlib#Asynchronous_plotting_with_threads
        maybe
        """
class sharedq(object):
    """i dont recall where i got this implementation from 
    you may write a better one"""
    def __init__(self,maxsize=8192):
        self.queue = deque()
        self.barrier = threading.RLock()
        self.read_c = threading.Condition(self.barrier)
        self.write_c = threading.Condition(self.barrier)
        self.msz = maxsize
    def put(self,item):
        self.barrier.acquire()
        while len(self.queue) >= self.msz:
            self.write_c.wait()
        self.queue.append(item)
        self.read_c.notify()
        self.barrier.release()
    def get(self):
        self.barrier.acquire()
        while not self.queue:
            self.read_c.wait()
        item = self.queue.popleft()
        self.write_c.notify()
        self.barrier.release()
        return item



q = sharedq()
#sizehint for readine lines
numbytes=1024
for i in xrange(8):
    p = processor(q)
    p.start()
for fn in sys.argv[1:]
    with open(fn, "r+b") as f:
        #you may want a better sizehint here
        map = mmap.mmap(f.fileno(), 0)
        #insert a loop here, i forgot
        q.put(map.readlines(numbytes))

#some cleanup code may be desirable

Answer 2

我认为python + Numpy是最有效的方式，关于速度和易于实现。 Numpy经过高度优化，因此性能不错，而python可以简化算法实现部分。

这个组合应该适合您的情况，提供优化文件在内存上的加载，尝试找到处理数据块之间的中间点，该数据块不是太大但足够大以最小化读写周期，因为这会减慢程序的速度

如果您觉得这需要更快的速度（我真诚地怀疑），您可以使用Cython来加速缓慢的部分。

读取和绘制从大文件中读取的数据

2 个答案: