- c - 在位数组中找到第一个零
- linux - Unix 显示有关匹配两种模式之一的文件的信息
- 正则表达式替换多个文件
- linux - 隐藏来自 xtrace 的命令
我有一个 python 脚本,它逐行读取文件并查看每一行是否与正则表达式匹配。
我想通过在搜索之前使用内存映射文件来提高该脚本的性能。我查看了 mmap 示例:http://docs.python.org/2/library/mmap.html
我的问题是,当文件太大 (15GB) 对于我的机器内存 (4GB) 而言,我如何映射文件
我是这样读文件的:
fi = open(log_file, 'r', buffering=10*1024*1024)
for line in fi:
//do somemthong
fi.close()
由于我将缓冲区设置为 10MB,就性能而言,它是否与我映射 10MB 的文件相同?
谢谢。
最佳答案
首先,你机器的内存是无关紧要的。它是您进程的 address space 的大小那是相关的。对于 32 位 Python,这将低于 4GB。使用 64 位 Python,这将绰绰有余。
原因是mmap
与 mapping a file 无关进入物理内存,但进入virtual memory . mmap
ped 文件就像您程序的特殊交换文件一样。考虑这个问题可能会有点复杂,但上面的维基百科链接应该会有所帮助。
所以,第一个答案是“使用 64 位 Python”。但显然这可能不适用于您的情况。
明显的替代方法是在前 1GB 中映射,搜索,取消映射,在下一个 1GB 中映射,等等。您执行此操作的方法是指定 length
和 offset
mmap
方法的参数。例如:
m = mmap.mmap(f.fileno(), length=1024*1024*1024, offset=1536*1024*1024)
但是,您要搜索的正则表达式可能会在前 1GB 的中途找到,在第二个 1GB 的一半中找到。因此,您需要使用窗口化 — 在前 1GB 中映射、搜索、取消映射,然后在部分重叠的 1GB 中映射,等等。
问题是,您需要多少重叠?如果您知道一场比赛的最大可能规模,那么您不需要任何其他东西。如果您不知道……好吧,那么如果不分解您的正则表达式就无法真正解决问题——如果这不是很明显,想象一下您如何可能在一个 1GB 的窗口中找到 2GB 的匹配项。
回答您的后续问题:
Since I set the buffer to 10MB, in terms of performance, is it the same as I mmap 10MB of file?
对于任何性能问题,如果它真的很重要,您就需要对其进行测试,如果不重要,请不要担心。
如果你想让我猜:我认为 mmap
在这里可能更快,但这只是因为(正如 J.F. Sebastian 暗示的那样)循环和调用 re.match
128K 次通常可能会导致您的代码受 CPU 限制而不是 IO 限制。但是您可以在没有 mmap
的情况下优化它,只需使用 read
。那么,mmap
会比 read
更快吗?考虑到所涉及的大小,我预计 mmap
的性能在旧 Unix 平台上会快得多,在现代 Unix 平台上大致相同,而在 Windows 上会慢一点。 (与 read
或 read
+lseek
如果您使用madvise
,但这与此处无关。)但实际上,这只是一个猜测。
使用mmap
的最令人信服的理由通常是它比基于read
的代码更简单,而不是它更快。当您甚至必须使用 mmap
来使用窗口,并且您不需要使用 read
进行任何查找时,这就不那么吸引人了,但是,如果您尝试编写两种方式的代码,我希望您的 mmap
代码最终会更具可读性。 (特别是如果您尝试从明显的 read
解决方案中优化缓冲区副本。)
关于python - 当整个文件太大时如何在python中使用mmap,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/14289421/
SQLite、Content provider 和 Shared Preference 之间的所有已知区别。 但我想知道什么时候需要根据情况使用 SQLite 或 Content Provider 或
警告:我正在使用一个我无法完全控制的后端,所以我正在努力解决 Backbone 中的一些注意事项,这些注意事项可能在其他地方更好地解决......不幸的是,我别无选择,只能在这里处理它们! 所以,我的
我一整天都在挣扎。我的预输入搜索表达式与远程 json 数据完美配合。但是当我尝试使用相同的 json 数据作为预取数据时,建议为空。点击第一个标志后,我收到预定义消息“无法找到任何内容...”,结果
我正在制作一个模拟 NHL 选秀彩票的程序,其中屏幕右侧应该有一个 JTextField,并且在左侧绘制弹跳的选秀球。我创建了一个名为 Ball 的类,它实现了 Runnable,并在我的主 Draf
这个问题已经有答案了: How can I calculate a time span in Java and format the output? (18 个回答) 已关闭 9 年前。 这是我的代码
我有一个 ASP.NET Web API 应用程序在我的本地 IIS 实例上运行。 Web 应用程序配置有 CORS。我调用的 Web API 方法类似于: [POST("/API/{foo}/{ba
我将用户输入的时间和日期作为: DatePicker dp = (DatePicker) findViewById(R.id.datePicker); TimePicker tp = (TimePic
放宽“邻居”的标准是否足够,或者是否有其他标准行动可以采取? 最佳答案 如果所有相邻解决方案都是 Tabu,则听起来您的 Tabu 列表的大小太长或您的释放策略太严格。一个好的 Tabu 列表长度是
我正在阅读来自 cppreference 的代码示例: #include #include #include #include template void print_queue(T& q)
我快疯了,我试图理解工具提示的行为,但没有成功。 1. 第一个问题是当我尝试通过插件(按钮 1)在点击事件中使用它时 -> 如果您转到 Fiddle,您会在“内容”内看到该函数' 每次点击都会调用该属
我在功能组件中有以下代码: const [ folder, setFolder ] = useState([]); const folderData = useContext(FolderContex
我在使用预签名网址和 AFNetworking 3.0 从 S3 获取图像时遇到问题。我可以使用 NSMutableURLRequest 和 NSURLSession 获取图像,但是当我使用 AFHT
我正在使用 Oracle ojdbc 12 和 Java 8 处理 Oracle UCP 管理器的问题。当 UCP 池启动失败时,我希望关闭它创建的连接。 当池初始化期间遇到 ORA-02391:超过
关闭。此题需要details or clarity 。目前不接受答案。 想要改进这个问题吗?通过 editing this post 添加详细信息并澄清问题. 已关闭 9 年前。 Improve
引用这个plunker: https://plnkr.co/edit/GWsbdDWVvBYNMqyxzlLY?p=preview 我在 styles.css 文件和 src/app.ts 文件中指定
为什么我的条形这么细?我尝试将宽度设置为 1,它们变得非常厚。我不知道还能尝试什么。默认厚度为 0.8,这是应该的样子吗? import matplotlib.pyplot as plt import
当我编写时,查询按预期执行: SELECT id, day2.count - day1.count AS diff FROM day1 NATURAL JOIN day2; 但我真正想要的是右连接。当
我有以下时间数据: 0 08/01/16 13:07:46,335437 1 18/02/16 08:40:40,565575 2 14/01/16 22:2
一些背景知识 -我的 NodeJS 服务器在端口 3001 上运行,我的 React 应用程序在端口 3000 上运行。我在 React 应用程序 package.json 中设置了一个代理来代理对端
我面临着一个愚蠢的问题。我试图在我的 Angular 应用程序中延迟加载我的图像,我已经尝试过这个2: 但是他们都设置了 src attr 而不是 data-src,我在这里遗漏了什么吗?保留 d
我是一名优秀的程序员,十分优秀!