python - 插入许多 HDF5 数据集非常慢

Question

将许多数据集插入到一个组中时速度会急剧下降。

我发现减速点与名称长度和数据集数量成正比。较大的数据集确实需要更长的时间来插入，但它不会影响速度下降的时间。

下面的示例夸大了名称的长度只是为了说明这一点，而无需等待很长时间。

• Python 3
• HDF5 版本 1.8.15(1.10.1 变得更慢)
• h5py版本:2.6.0

示例:

import numpy as np
import h5py
import time

hdf = h5py.File('dummy.h5', driver='core', backing_store=False)
group = hdf.create_group('some_group')

dtype = np.dtype([
    ('name', 'a20'),
    ('x', 'f8'),
    ('y', 'f8'),
    ('count', 'u8'),
])
ds = np.array([('something', 123.4, 567.8, 20)], dtype=dtype)

long_name = 'abcdefghijklmnopqrstuvwxyz'*50

t = time.time()
size = 1000*25
for i in range(1, size + 1):
    group.create_dataset(
        long_name+str(i),
        (len(ds),),
        maxshape=(None,),
        chunks=True,
        compression='gzip',
        compression_opts=9,
        shuffle=True,
        fletcher32=True,
        dtype=dtype,
        data=ds
    )
    if i % 1000 == 0:
        dt = time.time() - t
        t = time.time()
        print('{0} / {1} -  Rate: {2:.1f} inserts per second'.format(i, size, 1000/dt))

hdf.close()

输出:

1000 / 25000 -  Rate: 1590.9 inserts per second
2000 / 25000 -  Rate: 1770.0 inserts per second
...
17000 / 25000 -  Rate: 1724.7 inserts per second
18000 / 25000 -  Rate: 106.3 inserts per second
19000 / 25000 -  Rate: 66.9 inserts per second
20000 / 25000 -  Rate: 66.9 inserts per second
21000 / 25000 -  Rate: 67.5 inserts per second
22000 / 25000 -  Rate: 68.4 inserts per second
23000 / 25000 -  Rate: 47.7 inserts per second
24000 / 25000 -  Rate: 42.0 inserts per second
25000 / 25000 -  Rate: 39.8 inserts per second

我再次夸大了名称的长度，只是为了快速重现问题。在我的问题中，名称长度约为 25 个字符，并且在大约 700k 数据集位于一个组中之后出现减速点。在大约 140 万个数据集之后，它变得更慢。

为什么会发生这种情况？

有解决办法吗？

Answer 1

打开文件时尝试使用 libver='latest'。该库的最新版本极大地提高了将项目添加到组的速度，但出于兼容性原因，这只能通过上述选项启用。