【问题标题】：Concatenate a large number of HDF5 files连接大量 HDF5 文件
【发布时间】：2011-07-17 19:46:52
【问题描述】：

我有大约 500 个 HDF5 文件，每个文件大约 1.5 GB。

每个文件都有完全相同的结构，即 7 个复合 (int,double,double) 数据集和可变数量的样本。

现在我想通过连接每个数据集来连接所有这些文件，这样最后我就有一个包含 7 个数据集的 750 GB 文件。

目前我正在运行一个 h5py 脚本：

创建一个 HDF5 文件，其中包含无限最大值的正确数据集
依次打开所有文件
检查样本数量是多少（因为它是可变的）
调整全局文件的大小
附加数据

这显然需要好几个小时，你有什么改进的建议吗？

我正在开发一个集群，所以我可以并行使用 HDF5，但是我在 C 编程方面不够好，无法自己实现某些东西，我需要一个已经编写好的工具。

【问题讨论】：

一种可能性是将集群上的文件对合并在一起；将问题减少到 250 个 3GB 文件，然后是 125 个 6GB 文件，依此类推。仅当部分合并的文件在以后合并结果时可以节省任何时间时，这才有帮助。
@sarnold 我在 NERSC 研究 hopper，理论 I/O 速度为 25 GB/s，文件系统完全并行并支持 MPI I/O。
我在考虑一次读取 3 或 4 个文件，然后将它们全部写回，但最好是一个 c 实用程序，它以某种方式利用 mpi I/O。
hdf5 的一个功能是您可以在主文件的“文件夹”中“挂载”多个子文件。这样，可能不需要将它们全部合并到一个文件中。见这里：davis.lbl.gov/Manuals/HDF5-1.4.3/Tutor/mount.html
看到这个sn-p：gist.github.com/zonca/8e0dda9d246297616de9

标签： dataset hdf5 scientific-computing

【解决方案1】：

我发现大部分时间都花在调整文件大小上，因为我在每一步都在调整大小，所以我现在首先浏览所有文件并获取它们的长度（它是可变的）。

然后我创建全局 h5file，将总长度设置为所有文件的总和。

只有在这个阶段之后，我才用所有小文件中的数据填充 h5file。

现在每个文件大约需要 10 秒，因此应该不到 2 小时，而之前需要更多时间。

【讨论】：

【解决方案2】：

我知道回答这个问题可以让我获得一个死灵徽章 - 但最近我在这方面的情况有所改善。

在 Julia 中，这需要几秒钟。

创建一个 txt 文件，列出所有 hdf5 文件路径（如果有很多，您可以使用 bash 一次性完成）
循环读取txt文件的每一行并使用label$i = h5read(original_filepath$i, "/label")
连接所有标签 label = [label label$i]
然后写：h5write(data_file_path, "/label", label)

如果您有组或更复杂的 hdf5 文件，也可以这样做。

【讨论】：

【解决方案3】：

Ashley 的回答对我很有效。这是她在 Julia 中的建议的实现：

制作文本文件，列出要在 bash 中连接的文件：

ls -rt $somedirectory/$somerootfilename-*.hdf5 >> listofHDF5files.txt

编写一个 julia 脚本将多个文件连接到一个文件中：

# concatenate_HDF5.jl
using HDF5

inputfilepath=ARGS[1]
outputfilepath=ARGS[2]

f = open(inputfilepath)
firstit=true
data=[]
for line in eachline(f)
    r = strip(line, ['\n'])
    print(r,"\n")
    datai = h5read(r, "/data")
    if (firstit)
        data=datai
        firstit=false
    else
        data=cat(4,data, datai) #In this case concatenating on 4th dimension
    end
end
h5write(outputfilepath, "/data", data)

然后执行上面的脚本文件：

julia concatenate_HDF5.jl listofHDF5files.txt final_concatenated_HDF5.hdf5

【讨论】：