ruby - 无法在 Ruby 中分配内存(无 MemoryError)？

Question

我写了一个简单的脚本，它应该读取整个目录，然后通过去除 HTML 标签将 HTML 数据解析为普通脚本，然后将其写入一个文件。

我有 8GB 内存和大量可用虚拟内存。当我这样做时，我有超过 5GB 的 RAM 可用。目录中最大的文件为 3.8 GB。

脚本是

file_count = 1
File.open("allscraped.txt", 'w') do |out1|
    for file_name in Dir["allParts/*.dat"] do
        puts "#{file_name}#:#{file_count}"
        file_count +=1
        File.open(file_name, "r") do |file|
            source = ""
            tmp_src = ""
            counter = 0
            file.each_line do |line|
                scraped_content = line.gsub(/<.*?\/?>/, '')
                tmp_src << scraped_content
                if (counter % 10000) == 0
                    tmp_src = tmp_src.gsub( /\s{2,}/, "\n" )
                    source << tmp_src
                    tmp_src = ""
                    counter = 0
                end
                counter += 1
            end
            source << tmp_src.gsub( /\s{2,}/, "\n" )
            out1.write(source)
            break
        end
    end
end

完整的错误代码是:

realscraper.rb:33:in `block (4 levels) in <main>': failed to allocate memory (No
MemoryError)
        from realscraper.rb:27:in `each_line'
        from realscraper.rb:27:in `block (3 levels) in <main>'
        from realscraper.rb:23:in `open'
        from realscraper.rb:23:in `block (2 levels) in <main>'
        from realscraper.rb:13:in `each'
        from realscraper.rb:13:in `block in <main>'
        from realscraper.rb:12:in `open'
        from realscraper.rb:12:in `<main>'

第 27 行是 file.each_line do |line| 33 是 source << tmp_src .失败的文件是最大的文件 (3.8 GB)。这里有什么问题？为什么即使我有足够的内存也会出现此错误？还有我该如何解决？

Answer 1

问题出在这两行:

source << tmp_src
source << tmp_src.gsub( /\s{2,}/, "\n" )

当您读取一个大文件时，您会在内存中慢慢增长一个非常大的字符串。

最简单的解决方案是根本不使用这个临时的 source 字符串，而是将结果直接写入文件。只需将这两行替换为:

# source << tmp_src
out1.write(tmp_src) 

# source << tmp_src.gsub( /\s{2,}/, "\n" )
out1.write(tmp_src.gsub( /\s{2,}/, "\n" ))                     

这样您就不会在内存中创建任何大的临时字符串，并且它应该以这种方式工作得更好(更快)。