关于读写文件执行速度

[Virace]

代码不好贴, 因为涉及到很多个文件

简单就是:
读取 A 类 文件, 根据偏移量提取出 B 类文件, 解析 B 类文件中的数据.

A 类文件中有可能有多个 B 类文件.
A 类文件几十兆, B 类文件几兆.
B 类文件是不写入本地的, 直接解析.



大概有接近 1000 个 A 类文件, 随着循环时间越来越长, 解析 B 类文件数据的这个函数执行会越来越慢.
多数使用过的变量 都有手动用 del 删除


每次循环 A 文件前 关闭 gc, A 文件使用后开启 gc 手动调用 gc.collect()

随着循环次数变多, 解析 B 类文件的函数, 就会从最开始的几十毫秒到后来的几秒甚至时间更长.

占用内存波动不大, 一直是 300M 左右

用pycharm的profiler工具分析了一下, 时间用在GC和一个函数中.

    def obj_find_one(obj, key, value):
        """
        查询对象数组中key属性等于value的对象
        :param obj: 对象数组
        :param key: 对象属性名
        :param value: 要查找的属性值
        :return:
        """
        for item in obj:
            if getattr(item, key) == value:
                return item

这个函数是 解析用 模块中的函数

[imn1]

那就加大内存使用量，A 全部读入内存后关闭

[Virace]

@imn1 还是内存的事么, 测试机内存倒是够用, 实际是要在一个 运行内存只有 1G 的机器上运行. = =

[liprais]

解析完了记下来不就完了

[abersheeran]

根据偏移量直接读文件某一部分这事可以先上 mmap 优化一下看看。另外你这个确定是慢在解析上吗？是不是内存超限了导致系统自动分配虚拟内存给你，疯狂交换虚拟内存页导致的。我以前遇到过类似问题。你可以先排查一下。

[westoy]

不要管程序吃多少内存

跑的时候观察下吃 swap 没有

你不停做文件读写， 等于不停触发 linux 的文件缓存机制，linux 也不是彻底没内存才会触发 swap

swap 占用不停变化的话， 直接禁用或者调整内核的 vm.swapiness

[Virace]

@abersheeran 对只是慢在解析上, 简单的装饰器计算运行时间的. 测试是在 win 环境下出现的.

[clino]

"随着循环次数变多, 解析 B 类文件的函数, 就会从最开始的几十毫秒到后来的几秒甚至时间更长."
是解析本身的耗时越来越长吗？不太理解这是什么导致的。

[Virace]

@westoy 测试是在 win 环境下出现的. 也会有类似的情况嘛.

[abersheeran]

@Virace Windows 也有虚拟内存的。先排查这个情况再考虑其他的。任何语言都不会因为整个程序的内存占用变多而运算变慢的。出现这情况大概率是虚拟内存的锅。

[geelaw]

为什么你要关掉 GC ？

[Virace]

@geelaw 经过测试在读入文件后 关闭 GC 执行后续操作 操作完毕在打开 GC 手动清理, 比平常要快. 意思就是如果不关闭的话, 这种越运行越慢的问题会更严重

[crclz]

建议楼主把代码贴出来，给大家一个最小的可重现的代码，既方便大家调试，也方便排除其他问题。
还有就是楼主一些地方的表述不太清晰，可能会让项目成员以外的路人产生困惑。例如“随着循环时间越来越长, 解析 B 类文件数据的这个函数执行会越来越慢”

[crclz]

还有一个建议：用某种 profiler 看看到底哪些函数是罪魁祸首，方便定位问题

[Virace]

代码不好贴, 解析的意思, B 类文件是个独有个格式, 经过几个循环能完全读完. 将读完的数据保存到本地. 这是这个解析函数要做的. 确实用 pycharm 的 profiler 运行了一下, 显示 76%的时间都在这个解析函数上.

[keakon]

如果解析的文件是 json 的话，市面上所有的 json 库都会内存泄露

[Virace]

@keakon 解析倒不是, 解析完毕保存的数据是 json.

[clino]

你说解析函数有误导性，看起来其实这个函数不光做了解析还干了很多其他的事情，这里面有很多细节和可能性。
我的建议是仔细研究这个函数，看到底越来越慢是这个函数的哪一步导致的，如果能找到，那大概率能猜出是什么导致越来越慢。

[xiaoming1992]

笨办法，把那个解析函数按照二分法，移除掉一部分功能后再运行试试

[Virace]

@clino 用 profiler 工具找出了一个运行比较长的函数, 已经贴到附言上了

[wuwukai007]

要不用 pysnooper 逐行分析一下？

[gBurnX]

watch -n 1 'free -h'
htop -d 1
dstat -t -n -d -c -g -i -l -m -p -s -y --ipc --lock --raw --tcp --udp --unix
iostat -x -m -d 1

注意一下函数执行速度，与 内存使用率 / 磁盘活动时间的关系。

[clino]

从 obj_find_one 的实现来看，应该是这个遍历耗时很长，看能否调整数据结构，让这个查询不需要遍历，或者看能否做预处理形成一个中间数据结构让查询不需要遍历。

gc.collect 的优化看看能不能不要每次都做,还有 gc.collect 的参数你看能不能给 0 试试 gc 效果如何。

[Virace]

@clino 去掉这个函数了, 改用字典了, 时间缩短不少. 但开始运行和运行一段时间后性能还是有差别. 目前从 profiler 工具给的信息看, 大部分时间除了几个循环就是 GC 了.

[clino]

gc.collect 的参数调整没用吗？
另外不做 gc 的后果是什么？内存暴涨？能否重用 dict 之类的对象来减少新对象的创建？还有就是检测一下内存用量，超过临界值了再执行 gc 。

[Virace]

@clino 同等情况下手动执行 gc 和自动 gc 占用内存是有区别的, 比如 100 个 A 类文件循环处理时不调用 GC 可能最高内存会超过 1G, 手动调用最高也只在 400M 左右. 但是不管手动调用还是自动, 这个 gc 在整个程序执行时间时间里是得占用个 30 左右. 好多情况得需要额外复制对象在进行处理, 因为原对象后续还需要使用.

[clino]

或者你实在优化有问题，考虑把对象内的数据外包给 redis 处理，这样 python 这里只要做数据查询就可以了，不用面临这种 python 内部内存暴涨的情况