在Python中从二进制文件提取特定字节

Question

我有非常大的二进制文件，其中包含y传感器的x个int16数据点，以及包含一些基本信息的头文件。二进制文件被写为每个采样时间的y值，最多x个采样，然后是另一组读数，依此类推。如果我想要所有的数据，我使用的是numpy。fromfile（），它工作得又快又好。然而，如果我只需要传感器数据的子集或特定传感器，我目前有一个可怕的double for循环，使用的是文件。seek（），文件。read（），和结构。unpack（）这要花很长时间。在python中有没有其他更快的方法？也许是我不太理解的mmap？或者只是使用整个fromfile（），然后再进行二次采样？

data = numpy.empty(num_pts, sensor_indices)
for i in range(num_pts):
    for j in range(sensor_indices):
        curr_file.seek(bin_offsets[j])
        data_binary = curr_file.read(2)
        data[j][i] = struct.unpack('h', data_binary)[0]

遵循了@rrauenza关于mmap的建议，这是一个很好的信息，我将代码编辑为

mm = mmap.mmap(curr_file.fileno(), 0, access=mmap.ACCESS_READ)
data = numpy.empty(num_pts,sensor_indices)
for i in range(num_pts):
    for j in range(len(sensor_indices)):
        offset += bin_offsets[j] * 2
        data[j][i] = struct.unpack('h', mm[offset:offset+2])[0]

虽然这比以前快了，但它仍然比以前慢了几个数量级

shape = (x, y)
data = np.fromfile(file=self.curr_file, dtype=np.int16).reshape(shape)
data = data.transpose()
data = data[sensor_indices, :]
data = data[:, range(num_pts)]

我用一个较小的30 Mb文件进行了测试，该文件只有16个传感器，30秒的数据。原始代码为160秒，mmap为105秒，np。fromfile和subsampling为0.33秒。

剩下的问题是-清楚地使用numpy。fromfile（）对于小文件来说更好，但是对于大得多的文件来说，会有问题吗？这些文件可能高达20 Gb，并且有数小时或数天的数据和多达500个传感器？




Answer 1

我肯定会尝试mmap（）：

https://docs.python.org/2/library/mmap.html

如果您为每个int16调用search（）和read（），则会读取很多小位，这些小位会产生大量系统调用开销。你正在提取。

我编写了一个小测试来演示：

#!/usr/bin/python

import mmap
import os
import struct
import sys

FILE = "/opt/tmp/random"  # dd if=/dev/random of=/tmp/random bs=1024k count=1024
SIZE = os.stat(FILE).st_size
BYTES = 2
SKIP = 10


def byfile():
    sum = 0
    with open(FILE, "r") as fd:
        for offset in range(0, SIZE/BYTES, SKIP*BYTES):
            fd.seek(offset)
            data = fd.read(BYTES)
            sum += struct.unpack('h', data)[0]
    return sum


def bymmap():
    sum = 0
    with open(FILE, "r") as fd:
        mm = mmap.mmap(fd.fileno(), 0, prot=mmap.PROT_READ)
        for offset in range(0, SIZE/BYTES, SKIP*BYTES):
            data = mm[offset:offset+BYTES]
            sum += struct.unpack('h', data)[0]
    return sum


if sys.argv[1] == 'mmap':
    print bymmap()

if sys.argv[1] == 'file':
    print byfile()

我运行每个方法两次以补偿缓存。我使用time因为我想测量user和sys时间。

以下是结果：

[centos7:/tmp]$ time ./test.py file
-211990391

real    0m44.656s
user    0m35.978s
sys     0m8.697s
[centos7:/tmp]$ time ./test.py file
-211990391

real    0m43.091s
user    0m37.571s
sys     0m5.539s
[centos7:/tmp]$ time ./test.py mmap
-211990391

real    0m16.712s
user    0m15.495s
sys     0m1.227s
[centos7:/tmp]$ time ./test.py mmap
-211990391

real    0m16.942s
user    0m15.846s
sys     0m1.104s
[centos7:/tmp]$ 

（sum-211990391只是验证两个版本做同样的事情。）

查看每个版本的第2个结果，mmap（）是实时的~1/3。用户时间是~1/2，系统时间是~1/5。

您还可以选择以下方式来加快速度：

（1）正如您所提到的，加载整个文件。大I/O而不是小I/O可以加快速度。但是，如果您超过系统内存，您将退回到分页，这将比mmap（）更糟糕（因为您必须分页）。我在这里不是很有希望，因为mmap已经在使用更大的I/O。

（2） 并发性。也许通过多个线程并行读取文件可以加快速度，但您将需要处理Python GIL。通过避免GIL，多处理将更好地工作，并且您可以轻松地将数据传递回顶级处理程序。然而，这将对下一个项目——位置——起作用：您可能会使I/O更加随机。

（3） 地点。以某种方式组织数据（或对读取进行html" target="_blank">排序），以便数据更紧密地联系在一起mmap（）根据系统页面大小分块分页文件：

>>> import mmap
>>> mmap.PAGESIZE
4096
>>> mmap.ALLOCATIONGRANULARITY
4096
>>> 

如果您的数据距离较近（在4k区块内），那么它将已经加载到缓冲区缓存中。

（4） 更好的硬件。就像SSD一样。

我在SSD上运行了这个，速度快得多。我运行了python的概要文件，想知道解包是否很昂贵。它不是：

$ python -m cProfile test.py mmap                                                                                                                        
121679286
         26843553 function calls in 8.369 seconds

   Ordered by: standard name

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)
        1    6.204    6.204    8.357    8.357 test.py:24(bymmap)
        1    0.012    0.012    8.369    8.369 test.py:3(<module>)
 26843546    1.700    0.000    1.700    0.000 {_struct.unpack}
        1    0.000    0.000    0.000    0.000 {method 'disable' of '_lsprof.Profiler' objects}
        1    0.000    0.000    0.000    0.000 {method 'fileno' of 'file' objects}
        1    0.000    0.000    0.000    0.000 {open}
        1    0.000    0.000    0.000    0.000 {posix.stat}
        1    0.453    0.453    0.453    0.453 {range}

增编：

好奇心占了我的上风，我尝试了多重处理。我需要仔细查看我的分区，但是在不同的试验中解包的数量（53687092）是相同的：

$ time ./test2.py 4
[(4415068.0, 13421773), (-145566705.0, 13421773), (14296671.0, 13421773), (109804332.0, 13421773)]
(-17050634.0, 53687092)

real    0m5.629s
user    0m17.756s
sys     0m0.066s
$ time ./test2.py 1
[(264140374.0, 53687092)]
(264140374.0, 53687092)

real    0m13.246s
user    0m13.175s
sys     0m0.060s

代码：

#!/usr/bin/python

import functools
import multiprocessing
import mmap
import os
import struct
import sys

FILE = "/tmp/random"  # dd if=/dev/random of=/tmp/random bs=1024k count=1024
SIZE = os.stat(FILE).st_size
BYTES = 2
SKIP = 10


def bymmap(poolsize, n):
    partition = SIZE/poolsize
    initial = n * partition
    end = initial + partition
    sum = 0.0
    unpacks = 0
    with open(FILE, "r") as fd:
        mm = mmap.mmap(fd.fileno(), 0, prot=mmap.PROT_READ)
        for offset in xrange(initial, end, SKIP*BYTES):
            data = mm[offset:offset+BYTES]
            sum += struct.unpack('h', data)[0]
            unpacks += 1
    return (sum, unpacks)


poolsize = int(sys.argv[1])
pool = multiprocessing.Pool(poolsize)
results = pool.map(functools.partial(bymmap, poolsize), range(0, poolsize))
print results
print reduce(lambda x, y: (x[0] + y[0], x[1] + y[1]), results)