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 对对象编程来说太容易了，在 Perl5 中对我来说是一个非常痛苦的方面。

我的程序必须读取和存储大文件，例如全基因组（高达 3 Gb 或更多，参见下面的示例 1）或表格数据。

代码的第一个版本是以 Perl5 的方式通过逐行迭代（“genome.fa”.IO.lines）制作的。对于正确的执行时间，它非常缓慢且不稳定。

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");
}

所以在使用了一点 RTFM 之后，我改变了文件的一个 slurp，一个我用 for 循环解析的 \n 上的拆分。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多 \n （示例 2），我将执行时间减少到 30 秒。相当不错，但并不完全满意，这种 fasta 格式并不是最常用的。

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");
}

所以再次使用 RTFM，我发现了语法的魔力。所以无论使用什么 fasta 格式，新版本和 45 秒的执行时间。不是最快的方式，但更优雅、更稳定。

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这类大文件的好方法，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 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：

• 还有其他我不知道的 Perl6 机制吗？ 记录，用于存储文件中的大量数据（如我的基因组）？
• 我是否达到了当前版本的最大性能？ Perl6 ?

感谢阅读！

---

Fasta 示例 1：

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

快速示例 2：

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

编辑 我应用了@Christoph 和@timotimo 的建议并使用代码进行测试：

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");
}

程序2.7秒完成，太棒了！ 我还在小麦基因组（10 Gb）上尝试了这个代码。它在 35.2 秒内完成。 Perl6 终于没那么慢了！

非常感谢您的帮助！

Answer 1

一个简单的改进是使用诸如latin1 之类的固定宽度编码来加速字符解码，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，因此可能确实有必要采用更底层的方法。

我没有做任何基准测试，但我首先尝试的是这样的：

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它来提高性能，以这样的命令式风格编写代码：

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，如果使用的标准库的部分已经看到一些性能工作，这实际上可能会使事情变得更糟。在这种情况下，下一步将是添加低级类型注释，例如str 和int，并将对例程的调用（例如.index）替换为NQP builtins，例如nqp::index。

如果这仍然太慢，那么您很不走运，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 已经进行了一些性能测量并写了an article 对此。

如果我的简短版本是基准，命令式版本将性能提高 2.4 倍。

他实际上设法将短版本改写为 3 倍的改进

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 内置函数重写命令式版本将速度提高了 17 倍，但考虑到潜在的可移植性问题，通常不鼓励编写此类代码，但如果您确实需要该级别的性能，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);
}