假设你有一个包含几千行的 sqlite 数据库——每一个都包含或引用一个相当大的、唯一的 blob——并且你想对这个集合进行稀疏采样,基于 rowid 或一些等效的主键提取行。我发现在连接后(20k 行中)第一次尝试获取几个(500)数据点时,调用需要 10 多秒才能返回;并且,随着每次连续迭代,调用变得越来越短,直到在 50-100 次这样的查询后收敛到大约 100 毫秒。
显然,无论是 sqlite 还是它的 python 包装器,都必须缓存……一些东西。如果我清除非活动内存(我在 OS X 中,但我认为 Linux 有一个类似的 if-not-identical “purge” 命令?),该行为可以完全复制。问题是,索引没有解决的缓存是什么?此外,是否有可能从一开始就自动将加速这些查询的任何信息提取到内存中?还是我完全错过了其他东西?
一些笔记,以防有人不立即知道答案......
每个 blob 大约 40kB,并且是问题的一个大 (ha) 源。对于想在家玩的人,我在下面有一些代码,但是我最好为可排序的信息和数据保留单独的表格。这引入了一个内部连接,但它通常比将它们放在一起更好(尽管如果有人觉得这是错误的,我很想听到它)。如果没有内部连接/数据获取,事情会从 4 秒开始,很快就会下降到 3 毫秒。
我觉得这可能是一个 PRAGMA 的事情,但我摆弄了其他人在网络荒野中建议的一些设置,并没有真正看到任何好处。
内存数据库不是一种选择。一方面,我试图跨线程共享(这实际上可能不是内存中的问题......?不确定),但更重要的是,数据库文件通常约为 17 GB。所以,就这样了。
话虽如此,缓存合理数量的信息没有问题。经过几十次调用后,非活动内存无论如何都会变得有些臃肿,但我宁愿 (1) 正确和 (2) 有效地做到这一点。
好的,现在为任何想要尝试复制事物的人提供一些代码。您应该能够将其复制并粘贴到一个独立的脚本中(这基本上就是我所做的,保存格式)。
import sqlite3
import numpy as np
import time
ref_uid_index = """CREATE INDEX ref_uid_idx
ON data(ref_uid)"""
def populate_db_split(db_file, num_classes=10, num_points=20000, VERBOSE=False):
def_schema_split0 = """
CREATE TABLE main (
uid INTEGER PRIMARY KEY,
name TEXT,
label INTEGER,
ignore INTEGER default 0,
fold INTEGER default 0)"""
def_schema_split1 = """
CREATE TABLE data (
uid INTEGER PRIMARY KEY,
ref_uid INTEGER REFERENCES main(uid),
data BLOB)"""
def_insert_split0 = """
INSERT INTO main (name, label, fold)
VALUES (?,?,?)"""
def_insert_split1 = """
INSERT INTO data (ref_uid, data)
VALUES (?,?)"""
blob_size= 5000
k_folds = 5
some_names = ['apple', 'banana', 'cherry', 'date']
dbconn = sqlite3.connect(db_file)
dbconn.execute(def_schema_split0)
dbconn.execute(def_schema_split1)
rng = np.random.RandomState()
for n in range(num_points):
if n%1000 == 0 and VERBOSE:
print n
# Make up some data
data = buffer(rng.rand(blob_size).astype(float))
fold = rng.randint(k_folds)
label = rng.randint(num_classes)
rng.shuffle(some_names)
# And add it
dbconn.execute(def_insert_split0,[some_names[0], label, fold])
ref_uid = dbconn.execute("SELECT uid FROM main WHERE rowid=last_insert_rowid()").fetchone()[0]
dbconn.execute(def_insert_split1,[ref_uid,data])
dbconn.execute(ref_uid_index)
dbconn.commit()
return dbconn
def timeit_join(dbconn, n_times=10, num_rows=500):
qmarks = "?,"*(num_rows-1)+"?"
q_join = """SELECT data.data, main.uid, main.label
FROM data INNER JOIN main ON main.uid=data.ref_uid
WHERE main.uid IN (%s)"""%qmarks
row_max = dbconn.execute("SELECT MAX(rowid) from main").fetchone()[0]
tstamps = []
for n in range(n_times):
now = time.time()
uids = np.random.randint(low=1,high=row_max,size=num_rows).tolist()
res = dbconn.execute(q_join, uids).fetchall()
tstamps += [time.time()-now]
print tstamps[-1]
现在,如果要复制内容,请执行以下操作。在我的机器上,这会创建一个 800MB 的数据库并生成如下所示的内容。
>>> db = populate_db_split('/some/file/path.db')
>>> timeit_join(db)
12.0593519211
5.56209111214
3.51154184341
2.20699000359
1.73895692825
1.18351387978
1.27329611778
0.934082984924
0.780968904495
0.834318161011
所以... 你说什么,知识渊博的圣人?