13

我正在从事一个项目，该项目涉及使用 python 来读取、处理和写入有时高达几百兆字节的文件。当我尝试处理一些特别大的文件时，程序偶尔会失败。它没有说“内存错误”，但我怀疑这是问题所在（实际上它根本没有给出失败的理由）。

我一直在测试较小文件上的代码并观看“顶部”以查看内存使用情况，通常会达到 60%。top 说我有 4050352k 总内存，所以 3.8Gb。

同时，我正在尝试使用以下代码来跟踪 python 本身的内存使用情况（请参阅我昨天的问题）：

mem = 0
for variable in dir():
    variable_ = vars()[variable]
    try: 
        if str(type(variable_))[7:12] == 'numpy':
            numpy_ = True
        else:
            numpy_ = False
    except:
        numpy_ = False
    if numpy_:
        mem_ = variable_.nbytes
    else:
        mem_ = sys.getsizeof(variable)
    mem += mem_
    print variable+ type: '+str(type(variable_))+' size: '+str(mem_)
print 'Total: '+str(mem)

在运行该块之前，我将所有不需要的变量设置为无，关闭所有文件和图形等。在该块之后，我使用 subprocess.call() 运行下一阶段所需的 fortran 程序加工。在 fortran 程序运行时查看顶部显示，fortran 程序正在使用 ~100% 的 cpu 和 ~5% 的内存，而 python 正在使用 0% 的 cpu 和 53% 的内存。然而，我的一小段代码告诉我，python 中的所有变量加起来只有 23Mb，应该是 ~0.5%。

那么发生了什么？我不希望那个小片段能给我一个关于内存使用的位置，但它应该准确到几 Mb 以内吗？还是只是 top 没有注意到内存已被放弃，但如果有必要，它可供其他需要它的程序使用？

根据要求，这是使用所有内存的代码的简化部分（file_name.cub 是一个 ISIS3 立方体，它是一个包含同一地图的 5 层（波段）的文件，第一层是光谱辐射，下一层4 与纬度、经度和其他细节有关。这是我正在尝试处理的来自火星的图像。StartByte 是我之前从 .cub 文件的 ascii 标头中读取的值，告诉我数据的起始字节 Samples和 Lines 是地图的尺寸​​，也从标题中读取。）：

latitude_array = 'cheese'   # It'll make sense in a moment
f_to = open('To_file.dat','w') 

f_rad = open('file_name.cub', 'rb')
f_rad.seek(0)
header=struct.unpack('%dc' % (StartByte-1), f_rad.read(StartByte-1))
header = None    
#
f_lat = open('file_name.cub', 'rb')
f_lat.seek(0)
header=struct.unpack('%dc' % (StartByte-1), f_lat.read(StartByte-1))
header = None 
pre=struct.unpack('%df' % (Samples*Lines), f_lat.read(Samples*Lines*4))
pre = None
#
f_lon = open('file_name.cub', 'rb')
f_lon.seek(0)
header=struct.unpack('%dc' % (StartByte-1), f_lon.read(StartByte-1))
header = None 
pre=struct.unpack('%df' % (Samples*Lines*2), f_lon.read(Samples*Lines*2*4))
pre = None
# (And something similar for the other two bands)
# So header and pre are just to get to the right part of the file, and are 
# then set to None. I did try using seek(), but it didn't work for some
# reason, and I ended up with this technique.
for line in range(Lines):
    sample_rad = struct.unpack('%df' % (Samples), f_rad.read(Samples*4))
    sample_rad = np.array(sample_rad)
    sample_rad[sample_rad<-3.40282265e+38] = np.nan  
    # And Similar lines for all bands
    # Then some arithmetic operations on some of the arrays
    i = 0
    for value in sample_rad:
        nextline = sample_lat[i]+', '+sample_lon[i]+', '+value # And other stuff
        f_to.write(nextline)
        i += 1
    if radiance_array == 'cheese':  # I'd love to know a better way to do this!
        radiance_array = sample_rad.reshape(len(sample_rad),1)
    else:
        radiance_array = np.append(radiance_array, sample_rad.reshape(len(sample_rad),1), axis=1)
        # And again, similar operations on all arrays. I end up with 5 output arrays
        # with dimensions ~830*4000. For the large files they can reach ~830x20000
f_rad.close()
f_lat.close()
f_to.close()   # etc etc 
sample_lat = None  # etc etc
sample_rad = None  # etc etc

#
plt.figure()
plt.imshow(radiance_array)
# I plot all the arrays, for diagnostic reasons

plt.show()
plt.close()

radiance_array = None  # etc etc
# I set all arrays apart from one (which I need to identify the 
# locations of nan in future) to None

# LOCATION OF MEMORY USAGE MONITOR SNIPPET FROM ABOVE

所以我在关于打开多个文件的评论中撒谎，这是同一个文件的许多实例。我只继续使用一个未设置为 None 的数组，它的大小约为 830x4000，尽管这以某种方式构成了我可用内存的 50%。我也尝试过 gc.collect，但没有任何变化。我很高兴听到有关如何改进任何代码（与此问题或其他相关）的任何建议。

也许我应该提一下：最初我是完全打开文件（即不是像上面那样逐行打开），逐行打开是为了节省内存的初步尝试。

4

1 回答 1

15

仅仅因为你已经尊重你的变量并不意味着 Python 进程已经将分配的内存还给了系统。请参阅如何在 Python 中显式释放内存？.

如果gc.collect()对您不起作用，请调查使用 IPC 在子进程中分叉和读取/写入文件。这些进程将在完成后结束并将内存释放回系统。您的主进程将继续以低内存使用率运行。

于 2012-08-03T17:39:06.080 回答