Perl6：处理非常大的文件的最佳方法是什么？

Question

上周，我决定尝试Perl6，并开始重新实现我的一个程序。我不得不说，Perl6对于对象编程来说非常容易，这对我来说是Perl5非常痛苦的一个方面。

我的程序必须读取和存储大文件，如整个基因组(高达3 Gb或更多，见下面的例子1)或制表数据。

代码的第一个版本是通过逐行迭代以Perl5的方式制作的（“基因组.fa”。对于正确的执行时间，它非常慢且不可行。

my class fasta {
  has Str $.file is required;
  has %!seq;

  submethod TWEAK() {
    my $id;
    my $s;

    for $!file.IO.lines -> $line {
      if $line ~~ /^\>/ {
        say $id;
        if $id.defined {
          %!seq{$id} = sequence.new(id => $id, seq => $s);
        }
        my $l = $line;
        $l ~~ s:g/^\>//;
        $id = $l;
        $s = "";
      }
      else {
        $s ~= $line;
      }
    }
    %!seq{$id} = sequence.new(id => $id, seq => $s);
  }
}


sub MAIN()
{
    my $f = fasta.new(file => "genome.fa");
}

所以经过一点RTFM之后，我改变了文件上的slurp，一个我用for循环解析的\ n split。这样，我设法在2分钟内加载数据。好多了，但还不够。通过作弊，我的意思是通过删除最大值\n(例2)，我将执行时间减少到30秒。相当好，但不是完全满意，因为fasta格式不是最常用的。

my class fasta {
  has Str $.file is required;
  has %!seq;

  submethod TWEAK() {
    my $id;
    my $s;

    say "Slurping ...";
    my $f = $!file.IO.slurp;

    say "Spliting file ...";
    my @lines = $f.split(/\n/);

    say "Parsing lines ...";
    for @lines -> $line {
      if $line !~~ /^\>/ {
          $s ~= $line;
      }
      else {
        say $id;
        if $id.defined {
          %!seq{$id} = seq.new(id => $id, seq => $s);
        }
        $id = $line;
        $id ~~ s:g/^\>//;
        $s = "";
      }
    }
    %!seq{$id} = seq.new(id => $id, seq => $s);
  }
}

sub MAIN()
{
    my $f = fasta.new(file => "genome.fa");
}

所以RTFM再次出现，我发现了语法的魔力。所以新版本和45秒的执行时间，无论使用哪种快速格式。不是最快的方法，但更优雅和稳定。

my grammar fastaGrammar {
  token TOP { <fasta>+ }

  token fasta   {<.ws><header><seq> }
  token header  { <sup><id>\n }
  token sup     { '>' }
  token id      { <[\d\w]>+ }
  token seq     { [<[ACGTNacgtn]>+\n]+ }

}

my class fastaActions {
  method TOP ($/){
    my @seqArray;

    for $<fasta> -> $f {
      @seqArray.push: seq.new(id => $f.<header><id>.made, seq => $f<seq>.made);
    }
    make @seqArray;
  }

  method fasta ($/) { make ~$/; }
  method id    ($/) { make ~$/; }
  method seq   ($/) { make $/.subst("\n", "", :g); }

}

my class fasta {
  has Str $.file is required;
  has %seq;

  submethod TWEAK() {

    say "=> Slurping ...";
    my $f = $!file.IO.slurp;

    say "=> Grammaring ...";
    my @seqArray = fastaGrammar.parse($f, actions => fastaActions).made;

    say "=> Storing data ...";
    for @seqArray -> $s {
      %!seq{$s.id} = $s;
    }
  }
}

sub MAIN()
{
    my $f = fasta.new(file => "genome.fa");
}

我认为我找到了处理此类大文件的好方法，但性能仍然低于Perl5。

作为Perl6的新手，我很想知道是否有更好的方法来处理大数据，或者由于Perl6的实现是否存在一些限制？

作为Perl6的新手，我想问两个问题：

• 有没有其他我还不知道的，或者还没有记录的机制来存储文件中的大量数据（比如我的基因组）
• 我是否达到了当前版本Perl6的最高性能

感谢阅读！

Fasta示例1：

>2L
CGACAATGCACGACAGAGGAAGCAGAACAGATATTTAGATTGCCTCTCATTTTCTCTCCCATATTATAGGGAGAAATATG
ATCGCGTATGCGAGAGTAGTGCCAACATATTGTGCTCTTTGATTTTTTGGCAACCCAAAATGGTGGCGGATGAACGAGAT
...
>3R
CGACAATGCACGACAGAGGAAGCAGAACAGATATTTAGATTGCCTCTCATTTTCTCTCCCATATTATAGGGAGAAATATG
ATCGCGTATGCGAGAGTAGTGCCAACATATTGTGCTCTTTGATTTTTTGGCAACCCAAAATGGTGGCGGATGAACGAGAT
...

Fasta示例2：

>2L
GACAATGCACGACAGAGGAAGCAGAACAGATATTTAGATTGCCTCTCAT...            
>3R
TAGGGAGAAATATGATCGCGTATGCGAGAGTAGTGCCAACATATTGTGCT...

编辑 我应用了@Christoph和@timotimo的建议，并用代码进行测试：

my class fasta {
  has Str $.file is required;
  has %!seq;

  submethod TWEAK() {
    say "=> Slurping / Parsing / Storing ...";
    %!seq = slurp($!file, :enc<latin1>).split('>').skip(1).map: {
  .head => seq.new(id => .head, seq => .skip(1).join) given .split("\n").cache;
    }
  }
}


sub MAIN()
{
    my $f = fasta.new(file => "genome.fa");
}

该程序在2.7秒内完成，这太棒了！我还在小麦基因组（10 Gb）上尝试了此代码。它在35.2秒内完成。Perl6终于没有那么慢了！

非常感谢您的帮助！

Answer 1

一个简单的改进是使用固定宽度的编码（如 latin1）来加快字符解码速度，尽管我不确定这会有多大帮助。

就Rakudo的正则表达式/语法引擎而言，我发现它相当慢，因此可能确实需要采用一种更低级的方法。

我没有进行任何基准测试，但我首先尝试的是这样的东西:

my %seqs = slurp('genome.fa', :enc<latin1>).split('>')[1..*].map: {
    .[0] => .[1..*].join given .split("\n");
}

由于Perl6标准库是在Perl6本身中实现的，因此有时可以通过避免使用命令式风格编写代码来提高性能，例如：

my %seqs;
my $data = slurp('genome.fa', :enc<latin1>);
my $pos = 0;
loop {
    $pos = $data.index('>', $pos) // last;

    my $ks = $pos + 1;
    my $ke = $data.index("\n", $ks);

    my $ss = $ke + 1;
    my $se = $data.index('>', $ss) // $data.chars;

    my @lines;

    $pos = $ss;
    while $pos < $se {
        my $end = $data.index("\n", $pos);
        @lines.push($data.substr($pos..^$end));
        $pos = $end + 1
    }

    %seqs{$data.substr($ks..^$ke)} = @lines.join;
}

但是，如果所使用的标准库的某些部分在性能上有所改善，这实际上可能会使情况变得更糟。在这种情况下，下一步是添加低级类型注释，如＜code＞str与NQP内置，如NQP:：index。

如果这仍然太慢，你就倒霉了，需要切换语言，例如使用Inline::Perl5调用Perl5或使用NativeCall调用C。

请注意，@timotimo已经做了一些性能测量，并写了一篇关于它的文章。

如果我的短版本是基线，命令式版本将性能提高了2.4倍。

实际上，他通过将简短版本重写为

my %seqs = slurp('genome.fa', :enc<latin-1>).split('>').skip(1).map: {
    .head => .skip(1).join given .split("\n").cache;
}

最后，使用NQP内置程序重写命令式版本的速度提高了17倍，但考虑到潜在的可移植性问题，通常不鼓励编写这样的代码，但如果您确实需要这样的性能，现在可能有必要：

use nqp;

my Mu $seqs := nqp::hash();
my str $data = slurp('genome.fa', :enc<latin1>);
my int $pos = 0;

my str @lines;

loop {
    $pos = nqp::index($data, '>', $pos);

    last if $pos < 0;

    my int $ks = $pos + 1;
    my int $ke = nqp::index($data, "\n", $ks);

    my int $ss = $ke + 1;
    my int $se = nqp::index($data ,'>', $ss);

    if $se < 0 {
        $se = nqp::chars($data);
    }

    $pos = $ss;
    my int $end;

    while $pos < $se {
        $end = nqp::index($data, "\n", $pos);
        nqp::push_s(@lines, nqp::substr($data, $pos, $end - $pos));
        $pos = $end + 1
    }

    nqp::bindkey($seqs, nqp::substr($data, $ks, $ke - $ks), nqp::join("", @lines));
    nqp::setelems(@lines, 0);
}