28

我在具有 1GB RAM 的 Mac Mini 上使用 Python 2.6。我想读一个巨大的文本文件

$ ls -l links.csv; file links.csv; tail links.csv 
-rw-r--r--  1 user  user  469904280 30 Nov 22:42 links.csv
links.csv: ASCII text, with CRLF line terminators
4757187,59883
4757187,99822
4757187,66546
4757187,638452
4757187,4627959
4757187,312826
4757187,6143
4757187,6141
4757187,3081726
4757187,58197

所以文件中的每一行都包含一个由两个逗号分隔的整数值组成的元组。我想读入整个文件并根据第二列对其进行排序。我知道，我可以在不将整个文件读入内存的情况下进行排序。但我认为对于 500MB 的文件，我应该仍然能够在内存中执行它，因为我有 1GB 可用。

但是，当我尝试读取文件时，Python 分配的内存似乎比磁盘上文件所需的内存要多得多。因此，即使有 1GB 的 RAM，我也无法将 500MB 的文件读入内存。我用于读取文件并打印有关内存消耗的一些信息的 Python 代码是：

#!/usr/bin/python
# -*- coding: utf-8 -*-

import sys

infile=open("links.csv", "r")

edges=[]
count=0
#count the total number of lines in the file
for line in infile:
 count=count+1

total=count
print "Total number of lines: ",total

infile.seek(0)
count=0
for line in infile:
 edge=tuple(map(int,line.strip().split(",")))
 edges.append(edge)
 count=count+1
 # for every million lines print memory consumption
 if count%1000000==0:
  print "Position: ", edge
  print "Read ",float(count)/float(total)*100,"%."
  mem=sys.getsizeof(edges)
  for edge in edges:
   mem=mem+sys.getsizeof(edge)
   for node in edge:
    mem=mem+sys.getsizeof(node) 

  print "Memory (Bytes): ", mem

我得到的输出是：

Total number of lines:  30609720
Position:  (9745, 2994)
Read  3.26693612356 %.
Memory (Bytes):  64348736
Position:  (38857, 103574)
Read  6.53387224712 %.
Memory (Bytes):  128816320
Position:  (83609, 63498)
Read  9.80080837067 %.
Memory (Bytes):  192553000
Position:  (139692, 1078610)
Read  13.0677444942 %.
Memory (Bytes):  257873392
Position:  (205067, 153705)
Read  16.3346806178 %.
Memory (Bytes):  320107588
Position:  (283371, 253064)
Read  19.6016167413 %.
Memory (Bytes):  385448716
Position:  (354601, 377328)
Read  22.8685528649 %.
Memory (Bytes):  448629828
Position:  (441109, 3024112)
Read  26.1354889885 %.
Memory (Bytes):  512208580

在仅读取 500MB 文件的 25% 之后，Python 已经消耗了 500MB。因此，将文件内容存储为整数元组列表似乎不是很有效的内存。有没有更好的方法可以将 500MB 文件读入 1GB 内存？

4

6 回答 6

22

此页面上有一个用于对大于 RAM 的文件进行排序的方法，但您必须根据涉及 CSV 格式数据的情况对其进行调整。那里还有其他资源的链接。

编辑：的确，磁盘上的文件不是“大于 RAM”，但内存中的表示很容易变得比可用 RAM大得多。一方面，您自己的程序无法获得全部 1GB（操作系统开销等）。另一方面，即使您以最紧凑的纯 Python 形式存储它（两个整数列表，假设是 32 位机器等），对于这 30M 对整数，您将使用 934MB。

使用 numpy 你也可以完成这项工作，只使用大约 250MB。以这种方式加载并不是特别快，因为您必须计算行数并预先分配数组，但考虑到它在内存中，它可能是最快的实际排序：

import time
import numpy as np
import csv

start = time.time()
def elapsed():
    return time.time() - start

# count data rows, to preallocate array
f = open('links.csv', 'rb')
def count(f):
    while 1:
        block = f.read(65536)
        if not block:
             break
        yield block.count(',')

linecount = sum(count(f))
print '\n%.3fs: file has %s rows' % (elapsed(), linecount)

# pre-allocate array and load data into array
m = np.zeros(linecount, dtype=[('a', np.uint32), ('b', np.uint32)])
f.seek(0)
f = csv.reader(open('links.csv', 'rb'))
for i, row in enumerate(f):
    m[i] = int(row[0]), int(row[1])

print '%.3fs: loaded' % elapsed()
# sort in-place
m.sort(order='b')

print '%.3fs: sorted' % elapsed()

在我的机器上输出一个与您显示的类似的示例文件：

6.139s: file has 33253213 lines
238.130s: read into memory
517.669s: sorted

numpy 中的默认值是Quicksort。ndarray.sort() 例程（就地排序）也可以采用关键字参数kind="mergesort"，或者kind="heapsort"但似乎这些都不能对记录数组进行排序，顺便说一下，我用它作为我能看到的唯一方法来排序列在一起，而不是默认将它们独立排序（完全弄乱你的数据）。

于 2009-12-13T14:38:05.727 回答
8

所有 python 对象在它们实际存储的数据之上都有内存开销。根据我的 32 位 Ubuntu 系统上的 getsizeof ，一个元组的开销为 32 个字节，一个 int 需要 12 个字节，因此文件中的每一行需要一个 56 个字节 + 列表中的一个 4 字节指针 - 我想它会很多更多的 64 位系统。这与您提供的数字一致，这意味着您的 3000 万行将占用 1.8 GB。

我建议不要使用 python，而是使用 unix 排序实用程序。我不是 Mac 头，但我认为 OS X 排序选项与 linux 版本相同，所以这应该可以工作：

sort -n -t, -k2 links.csv

-n 表示按数字排序

-t，表示使用逗号作为字段分隔符

-k2 表示在第二个字段上排序

这将对文件进行排序并将结果写入标准输出。您可以将其重定向到另一个文件或通过管道将其传递给您的 python 程序以进行进一步处理。

编辑：如果您不想在运行 python 脚本之前对文件进行排序，您可以使用 subprocess 模块创建一个到 shell 排序实用程序的管道，然后从管道的输出中读取排序结果。

于 2009-12-13T16:32:22.667 回答
4

由于这些都只是数字，将它们加载到 Nx2 数组中会减少一些开销。将 NumPy 用于多维数组。或者，您可以使用两个普通的 python数组来表示每一列。

于 2009-12-13T14:59:00.090 回答
4

将输入行存储在内存中的最便宜的方法是 array.array('i') 元素——假设每个数字都适合一个有符号的 32 位整数。内存成本将是 8N 字节，其中 N 是行数。

以下是如何进行排序并按排序顺序写入输出文件：

from array import array
import csv
a = array('i')
b = array('i')
for anum, bnum in csv.reader(open('input.csv', 'rb')):
    a.append(int(anum))
    b.append(int(bnum))
wtr = csv.writer(open('output.csv', 'wb'))
for i in sorted(xrange(len(a)), key=lambda x: b[x]):
    wtr.writerow([a[i], b[i]])

不幸的是sorted()，返回的是一个列表，而不是一个迭代器，而且这个列表会相当大：4N 字节用于指针，12N 字节用于 int 对象，即 16N 字节用于sorted()输出。注意：这是基于 32 位机器上的 CPython 2.X；对于 3.X 和 64 位机器来说，情况会变得更糟。总共有 24N 个字节。你有 3100 万行，所以你需要 31 * 24 = 744 MB ...看起来应该可以；请注意，此计算不允许排序分配的任何内存，但您有合理的安全余量。

旁白：以您的工资率计算，额外的 GB 或 3 内存的成本是多少？

于 2009-12-13T16:14:40.570 回答
2

您可能想查看 mmap：

http://docs.python.org/library/mmap.html

它可以让您将文件视为一个大数组/字符串，并让操作系统处理数据进出内存的混洗处理以使其适合。

因此，您可以一次读取 csv 文件，然后将结果写入 mmap 文件（以合适的二进制格式），然后处理 mmap 文件。由于 mmap 文件只是临时文件，您当然可以为此目的创建一个 tmp 文件。

下面是一些演示使用 mmap 和临时文件读取 csv 数据并将其存储为整数对的代码：


import sys
import mmap
import array
from tempfile import TemporaryFile

def write_int(buffer, i):
    # convert i to 4 bytes and write into buffer
    buffer.write(array.array('i', [i]).tostring())

def read_int(buffer, pos):
    # get the 4 bytes at pos and convert to integer
    offset = 4*pos
    return array.array('i', buffer[offset:offset+4])[0]

def get_edge(edges, lineno):
    pos = lineno*2
    i, j = read_int(edges, pos), read_int(edges, pos+1)
    return i, j

infile=open("links.csv", "r")

count=0
#count the total number of lines in the file
for line in infile:
    count=count+1

total=count
print "Total number of lines: ",total

infile.seek(0)

# make mmap'd file that's long enough to contain all data
# assuming two integers (4 bytes) per line
tmp = TemporaryFile()
file_len = 2*4*count
# increase tmp file size
tmp.seek(file_len-1)
tmp.write(' ')
tmp.seek(0)
edges = mmap.mmap(tmp.fileno(), file_len)

for line in infile:
    i, j=tuple(map(int,line.strip().split(",")))
    write_int(edges, i)
    write_int(edges, j)

# now confirm we can read the ints back out ok
for i in xrange(count):
    print get_edge(edges, i)

虽然有点粗糙。真的，你可能想用一个漂亮的类来包装所有这些，这样你的边缘就可以以一种使它们表现得像一个列表的方式被访问（带有索引、len 等）。希望它会给你一个起点。

于 2009-12-13T19:32:17.313 回答
0

我使用外部合并排序为此用例创建了一个模块： https ://bitbucket.org/richardpenman/csvsort

>>> from csvsort import csvsort
>>> csvsort('links.csv', columns=[1], has_header=False)
于 2014-07-22T12:44:33.230 回答