Я профилировал некоторый унаследованный код, который унаследовал с cProfile. Существовала куча изменений, которые я уже сделал, которые помогли (например, с помощью простых слотных расширений C!).
В основном этот script экспортирует данные из одной системы в файл фиксированной ширины ASCII. Каждая строка - это запись, и она имеет много значений. Каждая строка имеет 7158 символов и содержит тонну пробелов. Общее количество записей составляет 1,5 миллиона записей. Каждая строка генерируется по одному за раз и занимает некоторое время (5-10 строк в секунду).
По мере создания каждой строки она записывается на диск как можно проще. Профилирование показывает, что около 19-20% от общего времени тратится на file.write(). Для тестового случая 1500 строк, которые 20 секунд. Я бы хотел уменьшить это число.
Теперь кажется, что следующая победа будет уменьшать количество времени, затрачиваемого на запись на диск. Я хотел бы уменьшить его, если это возможно. Я могу хранить кэш записей в памяти, но я не могу дождаться конца и сбросить все это сразу.
fd = open(data_file, 'w')
for c, (recordid, values) in enumerate(generatevalues()):
row = prep_row(recordid, values)
fd.write(row)
if c % 117 == 0:
if limit > 0 and c >= limit:
break
sys.stdout.write('\r%s @ %s' % (str(c + 1).rjust(7), datetime.now()))
sys.stdout.flush()
Моя первая мысль заключалась в том, чтобы хранить кеш записей в списке и записывать их партиями. Будет ли это быстрее? Что-то вроде:
rows = []
for c, (recordid, values) in enumerate(generatevalues()):
rows.append(prep_row(recordid, values))
if c % 117 == 0:
fd.write('\n'.join(rows))
rows = []
Моей второй мыслью было бы использовать другой поток, но это заставляет меня хотеть умереть внутри.
Группирование записей в группы по 500 действительно значительно ускорило запись. Для этого тестового примера строки ввода индивидуально занимали 21.051 секунд в I/O, в то время как запись в партиях 117 заняла 5,685 секунды, чтобы написать такое же количество строк. Партии из 500 заняли всего 0.266 секунды.
Собственно, ваша проблема заключается не в том, что file.write() занимает 20% вашего времени. Это означает, что в 80% случаев вы не находитесь в file.write()!
Запись на диск медленная. Вы ничего не можете с этим поделать. Для записи материала на диск требуется очень много времени. Вы почти ничего не можете сделать, чтобы ускорить его.
Вы хотите, чтобы время ввода-вывода являлось самой большой частью программы, так что ваша скорость ограничена скоростью жесткого диска, а не временем обработки. Идеальным для file.write() является 100% использование!
Вы можете сделать mmap в python, с помощью которого может. Но я подозреваю, что вы допустили ошибку при профилировании, потому что 7k * 1500 за 20 секунд составляет около 0,5 Мбайт/с. Проведите тест, в котором вы пишете случайные строки с одинаковой длиной, и вы увидите это намного быстрее, чем это.