- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我一直在使用 dict
来存储键值对,其中键和值都是 sha256 哈希摘要。我需要能够查明列表中是否存在键,并且还能够检索该字典的值。
根据我的一些测试,目前我估计我需要大约 10Gb 的内存来存储 8,000,000 个哈希值,而实际存储的数据只有大约 512MB(每个哈希值 32 字节,所以每条记录 64 字节)
有人有什么建议吗?
更新,根据我认为应该更新的一些评论。我将哈希存储为字节,而不是十六进制字符串。我正在使用一个 sqlite 数据库来永久存储数据,但是在大约 1,000,000 条记录之后插入那么多带有索引的记录变得太慢,并且如果没有索引检查键的存在也会以指数方式变慢。这就是为什么我想使用内存结构来进行查找。
更新 2
这行得通吗? atbr hashtable
我的解决方案:(我应该把这个作为答案吗?)我最终做的是听取了@abarnert 的很多建议,创建了一个新类,该类实现了 1024 个 [count, bytearray(8000 * 32), bytearray(8000 *32)]
我使用散列的前 10 位作为我应该将散列存储到的列表的索引。然后我只需将键附加到下一个 32 字节槽,并将值附加到另一个字节数组中的相同槽。
我可以生成 16,000,000 个散列(一个用于键,一个用于值)并在大约 30 秒内将 8,000,000 个键值对插入到结构中。
搜索正好相反,我使用前 10 位来查找列表,然后我只对哈希进行线性搜索,直到找到为止。
从 8,000,000 个中随机选择 200,000 个哈希值搜索需要 30 秒,因此比写入慢 40 倍,但它应该足够快以满足我的需求。
最重要的是,它现在只为所有 8,000,000 个哈希消耗 519MB RAM。
谢谢大家的帮助。
最佳答案
首先,让我们看看为什么它这么大。
每个都有 32 个字节。这意味着以二进制形式存储大约需要 32 个字节,例如 bytes
或 bytearray
对象的存储。到目前为止,还不错。
但是所有 Python 对象都有 header ,通常为 24-64 字节。通过快速检查,看起来 bytes
对象在 32 位(可能加上对齐填充)上占用额外的 36 个字节,在 64 位上占用 48 个字节,至少在我检查的两个 CPython 版本上是这样。
那么,您如何摆脱这 150% 的额外存储空间呢?将字节打包成一个巨大的数组,如 bytes
或 bytearray
。然后你有 48 个字节 total 加上每个散列 32 个,而不是每个散列 48+32 个。当您需要访问哈希时,如果您有索引,它只是切片 [index*32:(index+1)*32]
。
此外,根据您创建 bytes
的方式,可能会有一些溢出溢出。您可以检查——如果 sys.getsizeof(s) - sys.getsizeof(b'') > len(s)
,您需要对所有对象进行切片以创建没有额外填充的新副本.
无论如何,现在你有 8M 的额外索引。如果它们是 transient 的,那很好,但是如果您将 它们 作为 int
存储在 dict 值槽中,那么它们中的每一个也是有一个标题。通过快速测试,在实际存储的 4 个字节之上(对于 1<<31 以下的整数),32 位和 64 位都有一个 24 字节的 header (尽管非常小的整数显然可以塞进 header )。所以,所有这一切只是将 48 字节的浪费减少到 28 字节,这不是很好。
您可以使用某种形式的打包存储,例如 array
模块。数组类型 I
每个整数仅使用 4 个字节。但是随后您需要对数组进行索引,这……与您刚刚解决的问题相同。
但您实际上什至不需要索引——如果您将键本身存储在一个数组中,那么任何键的索引已经是字节字符串中散列的索引(除以 32),对吧?
这仅在您可以将键存储在某种紧凑数组中时才有效。如果它们的大小都差不多,您可以再次使用相同的“giantbytestring”技巧来做到这一点。在您的情况下,它们是 — 键也是 32 字节散列。因此,您只需保留两个按键值排序的巨字节字符串(请参阅 bisect
模块,这样您就不必自己编写该代码)。
当然,使用二进制搜索算法而不是散列算法意味着您要使查找和插入成为对数而不是常量。而且,虽然 log(8M) 只有 16 左右,比 8M 好很多,但它仍然是 1 的 16 倍。但这实际上是你从一个理想调整的关系数据库中得到的,除了你不需要进行任何调整,并且都在内存中,没有额外的开销,因此它必须是对您迄今为止尝试过的方法的改进。
您当然可以在 Python 中构建自定义哈希表,使用两个巨大的字节数组作为存储空间,并使用两个 array('I')
作为索引。但这需要做更多的工作,所以我会先尝试简单的方法。
关于python - 存储 8M+ sha256 哈希的最有效内存方式,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/21052634/
我一直在阅读有关汇编函数的内容,但对于是使用进入和退出还是仅使用调用/返回指令来快速执行,我感到很困惑。一种方式快而另一种方式更小吗?例如,在不内联函数的情况下,在汇编中执行此操作的最快(stdcal
我正在处理一个元组列表,如下所示: res = [('stori', 'JJ'), ('man', 'NN'), ('unnatur', 'JJ'), ('feel', 'NN'), ('pig',
最近我一直在做很多网络或 IO 绑定(bind)操作,使用线程有助于加快代码速度。我注意到我一直在一遍又一遍地编写这样的代码: threads = [] for machine, user, data
假设我有一个名为 user_stats 的资源,其中包含用户拥有的帖子、评论、喜欢和关注者的数量。是否有一种 RESTful 方式只询问该统计数据的一部分(即,对于 user_stats/3,请告诉我
我有一个简单的 api,它的工作原理是这样的: 用户创建一个请求 ( POST /requests ) 另一个用户检索所有请求 ( GET /requests ) 然后向请求添加报价 ( POST /
考虑以下 CDK Python 中的示例(对于这个问题,不需要 AWS 知识,这应该对基本上任何构建器模式都有效,我只是在这个示例中使用 CDK,因为我使用这个库遇到了这个问题。): from aws
Scala 中管理对象池的首选方法是什么? 我需要单线程创建和删除大规模对象(不需要同步)。在 C++ 中,我使用了静态对象数组。 在 Scala 中处理它的惯用和有效方法是什么? 最佳答案 我会把它
我有一个带有一些内置方法的类。这是该类的抽象示例: class Foo: def __init__(self): self.a = 0 self.b = 0
返回和检查方法执行的 Pythonic 方式 我目前在 python 代码中使用 golang 编码风格,决定移动 pythonic 方式 例子: import sys from typing imp
我正在开发一个 RESTful API。其中一个 URL 允许调用者通过 id 请求特定人员的记录。 返回该 id 不存在的记录的常规值是什么?服务器是否应该发回一个空对象或者一个 404,或者其他什
我正在使用 pathlib.Path() 检查文件是否存在,并使用 rasterio 将其作为图像打开. filename = pathlib.Path("./my_file-name.tif") 但
我正在寻找一种 Pythonic 方式来从列表和字典创建嵌套字典。以下两个语句产生相同的结果: a = [3, 4] b = {'a': 1, 'b': 2} c = dict(zip(b, a))
我有一个正在操裁剪理设备的脚本。设备有时会发生物理故障,当它发生时,我想重置设备并继续执行脚本。我有这个: while True: do_device_control() device
做组合别名的最pythonic和正确的方法是什么? 这是一个假设的场景: class House: def cleanup(self, arg1, arg2, kwarg1=False):
我正在开发一个小型客户端服务器程序来收集订单。我想以“REST(ful)方式”来做到这一点。 我想做的是: 收集所有订单行(产品和数量)并将完整订单发送到服务器 目前我看到有两种选择: 将每个订单行发
我知道在 Groovy 中您可以使用字符串调用类/对象上的方法。例如: Foo."get"(1) /* or */ String meth = "get" Foo."$meth"(1) 有没有办法
在 ECMAScript6 中,您可以使用扩展运算符来解构这样的对象 const {a, ...rest} = obj; 它将 obj 浅拷贝到 rest,不带属性 a。 有没有一种干净的方法可以在
我有几个函数返回数字或None。我希望我的包装函数返回第一个不是 None 的结果。除了下面的方法之外,还有其他方法吗? def func1(): return None def func2(
假设我想设计一个 REST api 来讨论歌曲、专辑和艺术家(实际上我就是这样做的,就像我之前的 1312414 个人一样)。 歌曲资源始终与其所属专辑相关联。相反,专辑资源与其包含的所有歌曲相关联。
这是我认为必须经常出现的问题,但我一直无法找到一个好的解决方案。假设我有一个函数,它可以作为参数传递一个开放资源(如文件或数据库连接对象),或者需要自己创建一个。如果函数需要自己打开文件,最佳实践通常
我是一名优秀的程序员,十分优秀!