- 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
我花了一天时间尝试调试 Python 脚本中的内存问题。我正在使用 SQL Alchemy 作为我的 ORM。这里有几个令人困惑的问题,我希望如果我将它们全部列出来,有人能够为我指明正确的方向。
为了实现我正在寻找的性能,我读入了表中的所有记录 (~400k),然后遍历电子表格,匹配我之前读入的记录,然后创建新记录 ( ~800k) 到另一个表中。代码大致如下所示:
dimensionMap = {}
for d in connection.session.query(Dimension):
dimensionMap[d.businessKey] = d.primarySyntheticKey
# len(dimensionMap) == ~400k, sys.getsizeof(dimensionMap) == ~4MB
allfacts = []
sheet = open_spreadsheet(path)
for row in sheet.allrows():
dimensionId = dimensionMap[row[0]]
metric = row[1]
fact = Fact(dimensionId, metric)
connection.session.add(fact)
allfacts.append(fact)
if row.number % 20000 == 0:
connection.session.flush()
# len(allfacts) == ~800k, sys.getsizeof(allfacts) == ~50MB
connection.session.commit()
sys.stdout.write('All Done')
400k 和 800k 对我来说似乎不是特别大的数字,但我仍然遇到内存问题,这是一台具有 4GB 内存的机器。这对我来说真的很奇怪,因为我在我的两个最大的集合上运行了 sys.getsizeof,它们都小于任何会导致问题的大小。
在尝试解决这个问题时,我注意到脚本运行得非常非常慢。所以我对它进行了分析,希望结果能引导我解决内存问题,并提出了两个令人困惑的问题。
首先,87% 的程序时间花在了提交上,特别是在这行代码上:
self.transaction._new[state] = True
这可以在 session.py:1367
中找到。 self.transaction._new
是 weakref.WeakKeyDictionary()
的实例。为什么 weakref:261:__setitem__
占用了这么多时间?
其次,即使程序已完成('All Done' 已打印到标准输出),脚本仍在继续,似乎永远都在使用 2.2GB 的内存。
我已经对 weakrefs 进行了一些搜索,但没有看到有人提到我面临的性能问题。最终,我对此无能为力,因为它深埋在 SQL Alchemy 中,但我仍然很感激任何想法。
如@zzzeek 所述,维护持久对象需要大量开销。这是显示增长的小图表。
趋势线表明每个持久化实例占用大约 2KB 的内存开销,即使实例本身只有 30 字节。这实际上让我学到了另一件事,那就是对 sys.getsizeof
持怀疑态度。
此函数仅返回对象的浅大小,并且不考虑第一个对象有意义所需的任何其他对象(__dict__
,例如)。您确实需要使用 Heapy 之类的工具来很好地了解实例的实际内存占用量。
我学到的最后一件事是,当 Python 即将耗尽内存并且疯狂地抖动时,会发生不应被视为问题一部分的奇怪事情。在我的例子中,大量的减速,指向 weakref 创建的配置文件,以及程序完成后的挂起,都是内存问题的影响。一旦我停止创建和保留持久实例,而是只保留我需要的对象属性,所有其他问题就都消失了。
最佳答案
800K ORM 对象非常大。这些是 Python 对象,每个对象都有一个 __dict__
和一个 _sa_instance_state
属性,它本身就是一个对象,然后它里面有 weakrefs 和其他东西,然后是Session
对您的对象有多个弱引用 - ORM 对象是身份跟踪的,这是一项功能它在持久性方面提供了高度的自动化,但代价是更多的内存和函数调用开销。
至于为什么你的分析都集中在那条 weakref 行上,这看起来很奇怪,我很想看看那里的实际分析结果(请参阅 How can I profile a SQLAlchemy powered application? 了解背景)。
您的代码示例可以修改为不使用任何 ORM 身份映射对象,如下所示。有关批量插入的更多详细信息,请参阅 Why is SQLAlchemy insert with sqlite 25 times slower than using sqlite3 directly? .
# 1. only load individual columns - loading simple tuples instead
# of full ORM objects with identity tracking. these tuples can be
# used directly in a dict comprehension
dimensionMap = dict(
connection.session.query(Dimension.businessKey, Dimension.primarySyntheticKey)
)
# 2. For bulk inserts, use Table.insert() call with
# multiparams in chunks
buf = []
for row in sheet.allrows():
dimensionId = dimensionMap[row[0]]
metric = row[1]
buf.append({"dimensionId": dimensionId, "metric": metric})
if len(buf == 20000):
connection.session.execute(Fact.__table__.insert(), params=buf)
buf[:] = []
connection.session.execute(Fact.__table__.insert(), params=buf)
sys.stdout.write('All Done')
关于python - Python/SQLAlchemy 中的 weakref 性能非常差,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/19061330/
在这段令人惊叹的视频 ( https://www.youtube.com/watch?v=udix3GZouik ) 中,Alex Blom 谈到了 Ember 在移动世界中的“黑客攻击”。 在 22
我们希望通过我们的应用收集使用情况统计信息。因此,我们希望在服务器端的某个地方跟踪用户操作。 就性能而言,哪个选项更合适: 在 App Engine 请求日志中跟踪用户操作。即为每个用户操作写入一个日
在针对对象集合的 LINQ 查询的幕后究竟发生了什么?它只是语法糖还是发生了其他事情使其更有效的查询? 最佳答案 您是指查询表达式,还是查询在幕后的作用? 查询表达式首先扩展为“普通”C#。例如: v
我正在构建一个简单的照片库应用程序,它在列表框中显示图像。 xaml 是:
对于基于 Web 的企业应用程序,使用“静态 Hashmap 存储对象” 和 apache java 缓存系统有何优缺点?哪一个最有利于性能并减少堆内存问题 例如: Map store=Applica
我想知道在性能方面存储类变量的最佳方式是什么。我的意思是,由于 Children() 函数,存储一个 div id 比查找所有其他类名更好。还是把类名写在变量里比较好? 例如这样: var $inne
我已经阅读了所有这些关于 cassandra 有多快的文章,例如单行读取可能需要大约 5 毫秒。 到目前为止,我不太关心我的网站速度,但是随着网站变得越来越大,一些页面开始需要相当多的查询,例如一个页
最近,我在缓存到内存缓存之前的查询一直需要很长时间才能处理!在这个例子中,它花费了 10 秒。在这种情况下,我要做的就是获得 10 个最近的点击。 我感觉它加载了所有 125,592 行然后只返回 1
我找了几篇文章(包括SA中的一些问题),试图找到基本操作的成本。 但是,我尝试制作自己的小程序,以便自己进行测试。在尝试测试加法和减法时,我遇到了一些问题,我用简单的代码向您展示了这一点
这个问题在这里已经有了答案: Will Java app slow down by presence of -Xdebug or only when stepping through code? (
我记得很久以前读过 with() 对 JavaScript 有一些严重的性能影响,因为它可能对范围堆栈进行非确定性更改。我很难找到最近对此的讨论。这仍然是真的吗? 最佳答案 与其说 with 对性能有
我们有一个数据仓库,其中包含非规范化表,行数从 50 万行到 6 多万行不等。我正在开发一个报告解决方案,因此出于性能原因我们正在使用数据库分页。我们的报告有搜索条件,并且我们已经创建了必要的索引,但
我有一条有效的 SQL 语句,但需要很长时间才能处理 我有一个 a_log 表和一个 people 表。我需要在 people 表中找到给定人员的每个 ID 的最后一个事件和关联的用户。 SELECT
很难说出这里问的是什么。这个问题是含糊的、模糊的、不完整的、过于宽泛的或修辞性的,无法以目前的形式得到合理的回答。如需帮助澄清此问题以便重新打开它,visit the help center 。 已关
通常当我建立一个站点时,我将所有的 CSS 放在一个文件中,并且一次性定义与一组元素相关的所有属性。像这样: #myElement { color: #fff; background-
两者之间是否存在任何性能差异: p { margin:0px; padding:0px; } 并省略最后的分号: p { margin:0px; padding:0px } 提前致谢!
我的应用程序 (PHP) 需要执行大量高精度数学运算(甚至可能出现一共100个数字) 通过这个论坛的最后几篇帖子,我发现我必须使用任何高精度库,如 BC Math 或 GMP,因为 float 类型不
我一直在使用 javamail 从 IMAP 服务器(目前是 GMail)检索邮件。 Javamail 非常快速地从服务器检索特定文件夹中的消息列表(仅 id),但是当我实际获取消息(仅包含甚至不包含
我非常渴望开发我的第一个 Ruby 应用程序,因为我的公司终于在内部批准了它的使用。 在我读到的关于 Ruby v1.8 之前的所有内容中,从来没有任何关于性能的正面评价,但我没有发现关于 1.9 版
我是 Redis 的新手,我有一个包含数百万个成员(member) ID、电子邮件和用户名的数据集,并且正在考虑将它们存储在例如列表结构中。我认为 list 和 sorted set 可能最适合我的情
我是一名优秀的程序员,十分优秀!