使用 python pickle 加载一个大字典

Question

我有一个嵌套 python 字典形式的完整倒排索引。它的结构是：

{word : { doc_name : [location_list] } }

例如让字典被称为索引，那么对于一个单词“垃圾邮件”，条目看起来像：

{ spam : { doc1.txt : [102,300,399], doc5.txt : [200,587] } }

我使用这种结构是因为 python dict 已经非常优化，它使编程更容易。

对于任何单词“垃圾邮件”，包含它的文档可以通过：

index['spam'].keys()

以及文档 doc1 的发布列表：

index['spam']['doc1']

目前我正在使用 cPickle 来存储和加载这个字典。但是腌制文件大约 380 MB 并且需要很长时间才能加载 - 112 秒（大约。我使用 time.time() 对其进行计时）并且内存使用量达到 1.2 GB（Gnome 系统监视器） .一旦它加载，它的罚款。我有 4GB 内存。

len(index.keys()) 给出 229758

代码

import cPickle as pickle

f = open('full_index','rb')
print 'Loading index... please wait...'
index = pickle.load(f)  # This takes ages
print 'Index loaded. You may now proceed to search'

我怎样才能让它加载得更快？我只需要在应用程序启动时加载一次。之后，访问时间对于响应查询很重要。

我应该切换到像 SQLite 这样的数据库并在其键上创建索引吗？如果是，我如何存储值以具有等效的模式，这使得检索变得容易。还有什么我应该研究的吗？

附录

使用 Tim 的回答 pickle.dump(index, file, -1)，腌制文件要小得多 - 大约 237 MB（转储需要 300 秒）......现在加载时间减少了一半（61 秒......而不是之前的 112 秒。 ... time.time())

但是我应该迁移到数据库以获得可扩展性吗？

至于现在，我将 Tim 的回答标记为已接受。

PS：我不想使用 Lucene 或 Xapian ... 这个问题指的是Storing an inverted index。我不得不提出一个新问题，因为我无法删除前一个问题。

Answer 1

Python 2.x 中的一个常见模式是在纯 Python 中实现一个模块版本，并以 C 扩展实现可选的加速版本；例如，pickle 和 cPickle。这将导入加速版本和退回到这些模块的每个用户的纯 Python 版本的负担。 在 Python 3.0 中，加速版本被视为纯 Python 版本的实现细节。 用户应始终导入标准版本，它会尝试导入加速版本并回退到纯 Python 版本。 The pickle / cPickle pair received this treatment.

• 协议版本 0 是原始的“人类可读”协议，向后兼容早期版本的 Python。
• 协议版本 1 是一种旧的二进制格式，也与早期版本的 Python 兼容。
• 协议版本 2 是在 Python 2.3 中引入的。它提供了更有效的新型类的酸洗。有关协议 2 带来的改进的信息，请参阅 PEP 307。
• Protocol version 3 在 Python 3.0 中添加。它对字节对象有明确的支持，并且不能被 Python 2.x 解压。 这是默认协议，当需要与其他 Python 3 版本兼容时推荐使用的协议。
• 协议版本 4 是在 Python 3.4 中添加的。它增加了对超大对象的支持，酸洗更多种类的对象，以及一些数据格式优化。有关协议 4 带来的改进的信息，请参阅 PEP 3154。

如果您的字典很大并且只应与 Python 3.4 或更高版本兼容，请使用：

pickle.dump(obj, file, protocol=4)
pickle.load(file, encoding="bytes")

或：

Pickler(file, 4).dump(obj)
Unpickler(file).load()

也就是说，in 2010 和 json 模块的编码速度比 pickle 快 25 倍，解码简单类型的速度快 15 倍。 My 2014 benchmark 说marshal > pickle > json，但是marshal's coupled to specific Python versions。

Answer 2

您真的需要一次加载所有内容吗？如果您不需要在内存中的所有内容，而只需要在任何给定时间选择您想要的部分，您可能希望将字典映射到磁盘上的一组文件而不是单个文件......或者将字典映射到数据库表。因此，如果您正在寻找可以将大型数据字典保存到磁盘或数据库，并且可以利用酸洗和编码（编解码器和哈希图）的东西，那么您可能需要查看 klepto。

klepto 为写入数据库提供字典抽象，包括将文件系统视为数据库（即将整个字典写入单个文件，或将每个条目写入其自己的文件）。对于大数据，我经常选择将字典表示为我的文件系统上的一个目录，并让每个条目都是一个文件。 klepto 还提供缓存算法，因此如果您为字典使用文件系统后端，则可以通过使用内存缓存来避免一些速度损失。

>>> from klepto.archives import dir_archive
>>> d = {'a':1, 'b':2, 'c':map, 'd':None}
>>> # map a dict to a filesystem directory
>>> demo = dir_archive('demo', d, serialized=True) 
>>> demo['a']
1
>>> demo['c']
<built-in function map>
>>> demo          
dir_archive('demo', {'a': 1, 'c': <built-in function map>, 'b': 2, 'd': None}, cached=True)
>>> # is set to cache to memory, so use 'dump' to dump to the filesystem 
>>> demo.dump()
>>> del demo
>>> 
>>> demo = dir_archive('demo', {}, serialized=True)
>>> demo
dir_archive('demo', {}, cached=True)
>>> # demo is empty, load from disk
>>> demo.load()
>>> demo
dir_archive('demo', {'a': 1, 'c': <built-in function map>, 'b': 2, 'd': None}, cached=True)
>>> demo['c']
<built-in function map>
>>> 

klepto 还具有其他标志，例如 compression 和 memmode，可用于自定义数据的存储方式（例如压缩级别、内存映射模式等）。 使用（MySQL 等）数据库作为后端而不是文件系统同样容易（完全相同的界面）。您还可以关闭内存缓存，因此每次读取/写入都直接进入存档，只需设置 cached=False。

klepto 通过构建自定义keymap 提供自定义编码的访问权限。

>>> from klepto.keymaps import *
>>> 
>>> s = stringmap(encoding='hex_codec')
>>> x = [1,2,'3',min]
>>> s(x)
'285b312c20322c202733272c203c6275696c742d696e2066756e6374696f6e206d696e3e5d2c29'
>>> p = picklemap(serializer='dill')
>>> p(x)
'\x80\x02]q\x00(K\x01K\x02U\x013q\x01c__builtin__\nmin\nq\x02e\x85q\x03.'
>>> sp = s+p
>>> sp(x)
'\x80\x02UT28285b312c20322c202733272c203c6275696c742d696e2066756e6374696f6e206d696e3e5d2c292c29q\x00.' 

klepto还提供了很多缓存算法（如mru、lru、lfu等），帮助你管理你的内存缓存，并会使用算法做转储和加载到存档后端。

您可以使用标志cached=False 完全关闭内存缓存，并直接从磁盘或数据库读取和写入。如果您的条目足够大，您可能会选择写入磁盘，将每个条目放在它自己的文件中。这是一个兼具两者的示例。

>>> from klepto.archives import dir_archive
>>> # does not hold entries in memory, each entry will be stored on disk
>>> demo = dir_archive('demo', {}, serialized=True, cached=False)
>>> demo['a'] = 10
>>> demo['b'] = 20
>>> demo['c'] = min
>>> demo['d'] = [1,2,3]

然而，虽然这应该会大大减少加载时间，但它可能会稍微减慢整体执行速度……通常最好指定内存缓存中的最大容量并选择一个好的缓存算法。您必须使用它来获得满足您需求的适当平衡。

在此处获取klepto：https://github.com/uqfoundation

Answer 3

取决于“长”多长时间，你必须考虑你必须做出的权衡：要么在（长时间）启动后在内存中准备好所有数据，要么只加载部分数据（然后你需要拆分多个文件中的日期或使用 SQLite 或类似的东西）。我怀疑从例如预先加载所有数据将sqlite放入字典会带来任何改进。

Answer 4

在使用cPickle.dump/cPickle.dumps 时尝试协议参数。来自cPickle.Pickler.__doc__：

Pickler(file, protocol=0) -- 创建一个pickler。

这需要一个类似文件的对象来写入pickle数据流。 可选的 proto 参数告诉 pickler 使用给定的 协议;支持的协议为 0、1、2。默认 协议为0，向后兼容。 （协议 0 是 唯一可以写入以文本方式打开的文件的协议 模式并成功回读。当使用更高的协议时 大于 0，请确保文件以二进制模式打开，当 酸洗和解酸。）

协议 1 比协议 0 更有效；协议 2 是 比协议 1 更有效。

指定一个否定的协议版本选择最高的 支持的协议版本。使用的协议越高， 更新的 Python 版本需要读取泡菜 生产出来的。

file 参数必须有一个 write() 方法，该方法接受单个 字符串参数。因此它可以是一个打开的文件对象，一个 StringIO 对象，或任何其他满足此接口的自定义对象。

在大多数情况下，转换 JSON 或 YAML 可能比 pickle 花费更长的时间 - pickle 存储原生 Python 类型。

Answer 5

您是否尝试过使用其他存储格式，例如 YAML 或 JSON？ Python 使用我认为的 json 模块从 Python 2.6 原生支持 JSON，并且有 third party modules for YAML。

您也可以尝试shelve 模块。