Python 循環讀取數據內存不足的解決方案

Posted on by

看代碼吧~

import gc
for x in list(locals().keys())[:]:
    del locals()[x]
# del all_s_x, AE, AE_split, x_ticks, split
gc.collect()

補充：Python讀取大文件的”坑“與內存占用檢測

python讀寫文件的api都很簡單，一不留神就容易踩”坑“。筆者記錄一次踩坑歷程，並且給瞭一些總結，希望到大傢在使用python的過程之中，能夠避免一些可能產生隱患的代碼。

1.read()與readlines()：

隨手搜索python讀寫文件的教程，很經常看到read()與readlines()這對函數。所以我們會常常看到如下代碼：

with open(file_path, 'rb') as f:
    sha1Obj.update(f.read())

or

with open(file_path, 'rb') as f:
    for line in f.readlines():
        print(line)

這對方法在讀取小文件時確實不會產生什麼異常，但是一旦讀取大文件，很容易會產生MemoryError，也就是內存溢出的問題。

Why Memory Error？

我們首先來看看這兩個方法：

當默認參數size=-1時，read方法會讀取直到EOF，當文件大小大於可用內存時，自然會發生內存溢出的錯誤。

同樣的，readlines會構造一個list。list而不是iter，所以所有的內容都會保存在內存之上，同樣也會發生內存溢出的錯誤。

2.正確的用法：

在實際運行的系統之中如果寫出上述代碼是十分危險的，這種”坑“十分隱蔽。所以接下來我們來瞭解一下正確用，正確的用法也很簡單，依照API之中對函數的描述來進行對應的編碼就OK瞭：

如果是二進制文件推薦用如下這種寫法，可以自己指定緩沖區有多少byte。顯然緩沖區越大，讀取速度越快。

with open(file_path, 'rb') as f:
    while True:
        buf = f.read(1024)
        if buf:    
            sha1Obj.update(buf)
        else:
            break

而如果是文本文件，則可以用readline方法或直接迭代文件（python這裡封裝瞭一個語法糖，二者的內生邏輯一致，不過顯然迭代文件的寫法更pythonic ）每次讀取一行，效率是比較低的。筆者簡單測試瞭一下，在3G文件之下，大概性能和前者差瞭20%.

with open(file_path, 'rb') as f:
    while True:
        line = f.readline()
        if buf:    
            print(line)
        else:
            break
with open(file_path, 'rb') as f:
    for line in f:
        print(line)

3.內存檢測工具的介紹：

對於python代碼的內存占用問題，對於代碼進行內存監控十分必要。這裡筆者這裡推薦兩個小工具來檢測python代碼的內存占用。

memory_profiler

首先先用pip安裝memory_profiler

pip install memory_profiler

memory_profiler是利用python的裝飾器工作的，所以我們需要在進行測試的函數上添加裝飾器。

from hashlib import sha1
import sys
@profile
def my_func():
    sha1Obj = sha1()
    with open(sys.argv[1], 'rb') as f:
        while True:
            buf = f.read(10 * 1024 * 1024)
            if buf:
                sha1Obj.update(buf)
            else:
                break
    print(sha1Obj.hexdigest())
if __name__ == '__main__':
    my_func()

之後在運行代碼時加上** -m memory_profiler**

就可以瞭解函數每一步代碼的內存占用瞭

guppy

依樣畫葫蘆，仍然是通過pip先安裝guppy

pip install guppy

之後可以在代碼之中利用guppy直接打印出對應各種python類型（list、tuple、dict等）分別創建瞭多少對象，占用瞭多少內存。

from guppy import hpy
import sys
def my_func():
    mem = hpy()
    with open(sys.argv[1], 'rb') as f:
        while True:
            buf = f.read(10 * 1024 * 1024)
            if buf:
                print(mem.heap())
            else:
                break

如下圖所示，可以看到打印出對應的內存占用數據：

通過上述兩種工具guppy與memory_profiler可以很好地來監控python代碼運行時的內存占用問題。

4.小結：

python是一門崇尚簡潔的語言，但是正是因為它的簡潔反而更多瞭許多需要仔細推敲和思考的細節。希望大傢在日常工作與學習之中也能多對一些細節進行總結，少踩一些不必要的“坑”。

以上為個人經驗，希望能給大傢一個參考，也希望大傢多多支持WalkonNet。

推薦閱讀：