Python中Pickle的MemoryError

Question

我正在处理一些数据，并将结果存储在三个字典中，并使用 Pickle 将它们保存到磁盘。每个字典有 500-1000MB。

现在我正在加载它们：

import pickle
with open('dict1.txt', "rb") as myFile:
    dict1 = pickle.load(myFile)

但是，我已经在加载我得到的第一本字典了：

*** set a breakpoint in malloc_error_break to debug
python(3716,0xa08ed1d4) malloc: *** mach_vm_map(size=1048576) failed (error code=3)
*** error: can't allocate region securely
*** set a breakpoint in malloc_error_break to debug
Traceback (most recent call last):
  File "/System/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/pickle.py", line 858, in load
    dispatch[key](self)
  File "/System/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/pickle.py", line 1019, in load_empty_dictionary
    self.stack.append({})
MemoryError

如何解决这个问题？我的电脑有 16GB 的 RAM，所以我发现加载 800MB 的字典崩溃是很不寻常的。我还发现不寻常的是保存字典时没有问题。

此外，我计划在未来处理更多数据，从而产生更大的字典（磁盘上 3-4GB），因此我们非常感谢任何关于如何提高效率的建议。

Answer 1

如果字典中的数据是numpy 数组，则有一些包（例如joblib 和klepto）可以有效地对大型数组进行酸洗，因为klepto 和joblib 都了解如何使用numpy.array 的最小状态表示。如果您没有 array 数据，我的建议是使用 klepto 将字典条目存储在多个文件（而不是单个文件）或数据库中。

请参阅我对一个非常相关的问题https://stackoverflow.com/a/25244747/2379433 的回答，如果您可以对多个文件而不是单个文件进行酸洗，希望并行保存/加载您的数据，或者希望轻松尝试存储格式和后端，看看哪种最适合您的情况。另请参阅：https://stackoverflow.com/a/21948720/2379433 以了解其他潜在的改进，以及：https://stackoverflow.com/a/24471659/2379433。

正如上面的链接所讨论的，您可以使用klepto——它使您能够使用通用 API 轻松地将字典存储到磁盘或数据库中。 klepto 还使您能够选择存储格式（pickle、json 等）——HDF5（或 SQL 数据库）也是另一个不错的选择，因为它允许并行访问。 klepto 可以使用专门的 pickle 格式（如 numpy's）和压缩（如果您关心大小而不是访问数据的速度）。

klepto 让您可以选择使用“all-in-one”文件或“one-entry-per”文件存储字典，还可以利用多处理或多线程——这意味着您可以保存和加载字典并行进出后端的项目。例如，请参阅上面的链接。

Answer 2

这是泡菜的固有问题， 这是用于与相当少量的 数据。字典的大小，当加载到内存中时， 比磁盘大很多倍。

加载 100MB 的 pickle 文件后，您可能会 一本将近 1GB 左右的字典。 网上有一些公式可以计算开销，但我只能推荐使用一些 对于如此大量的数据，像 MySQL 或 PostgreSQL 这样的体面数据库。

Answer 3

我假设你使用 32 位 Python，它有 4GB 的限制。您应该使用 64 位而不是 32 位。我试过了，我的腌制字典超过了 1.7GB，除了时间变长，我没有遇到任何问题。