用Python从二进制文件中提取特定字节

我有非常大的二进制文件，其中包含y传感器的x个int16数据点，以及包含一些基本信息的头文件。二进制文件被写为每个采样时间的y值，最多x个采样，然后是另一组读数，依此类推。如果我想要所有的数据，我使用的是

numpy.fromfile（）

，它的工作速度非常快。但是，如果我只想要传感器数据的子集或特定传感器，我目前有一个可怕的双

for

循环，使用

file.seek（）

、

file.read（）

、和

struct.unpack（）

，这会花费很长时间。在python中有没有其他更快的方法？也许是我不太理解的

mmap（）

？或者只是使用整个

fromfile（）

然后再进行二次采样

data = numpy.empty(num_pts, sensor_indices)
for i in range(num_pts):
    for j in range(sensor_indices):
        curr_file.seek(bin_offsets[j])
        data_binary = curr_file.read(2)
        data[j][i] = struct.unpack('h', data_binary)[0]

在遵循@rrauenza关于

mmap

的建议后，我将代码编辑为

mm = mmap.mmap(curr_file.fileno(), 0, access=mmap.ACCESS_READ)
data = numpy.empty(num_pts,sensor_indices)
for i in range(num_pts):
    for j in range(len(sensor_indices)):
        offset += bin_offsets[j] * 2
        data[j][i] = struct.unpack('h', mm[offset:offset+2])[0]

虽然这比以前快了，但仍然比以前慢了几个数量级

shape = (x, y)
data = np.fromfile(file=self.curr_file, dtype=np.int16).reshape(shape)
data = data.transpose()
data = data[sensor_indices, :]
data = data[:, range(num_pts)]

我用一个较小的30MB文件进行了测试，该文件只有16个传感器，数据量为30秒。原始编码为160秒，

mmap

为105秒，

np.fromfile

和子采样为0.33秒

---

剩下的问题是-显然，使用

numpy.fromfile（）

处理小文件会更好，但对于大得多的文件来说，会有问题吗？这些文件可能长达20 Gb，包含数小时或数天的数据，最多500个传感器？

我肯定会尝试

mmap（）

：

您正在读取大量的小数据位，如果您正在为要提取的每个

int16

调用

seek（）

和

read（）

，这些数据位会产生大量的错误

我编写了一个小测试来演示：

#!/usr/bin/python

import mmap
import os
import struct
import sys

FILE = "/opt/tmp/random"  # dd if=/dev/random of=/tmp/random bs=1024k count=1024
SIZE = os.stat(FILE).st_size
BYTES = 2
SKIP = 10


def byfile():
    sum = 0
    with open(FILE, "r") as fd:
        for offset in range(0, SIZE/BYTES, SKIP*BYTES):
            fd.seek(offset)
            data = fd.read(BYTES)
            sum += struct.unpack('h', data)[0]
    return sum


def bymmap():
    sum = 0
    with open(FILE, "r") as fd:
        mm = mmap.mmap(fd.fileno(), 0, prot=mmap.PROT_READ)
        for offset in range(0, SIZE/BYTES, SKIP*BYTES):
            data = mm[offset:offset+BYTES]
            sum += struct.unpack('h', data)[0]
    return sum


if sys.argv[1] == 'mmap':
    print bymmap()

if sys.argv[1] == 'file':
    print byfile()

我运行了两次每个方法来补偿缓存。我使用

time

是因为我想测量

user

和

sys

时间

结果如下：

[centos7:/tmp]$ time ./test.py file
-211990391

real    0m44.656s
user    0m35.978s
sys     0m8.697s
[centos7:/tmp]$ time ./test.py file
-211990391

real    0m43.091s
user    0m37.571s
sys     0m5.539s
[centos7:/tmp]$ time ./test.py mmap
-211990391

real    0m16.712s
user    0m15.495s
sys     0m1.227s
[centos7:/tmp]$ time ./test.py mmap
-211990391

real    0m16.942s
user    0m15.846s
sys     0m1.104s
[centos7:/tmp]$ 

（总和-211990391只是验证两个版本是否执行相同的操作。）

查看每个版本的第二个结果，

mmap（）

约为实时结果的1/3。用户时间约为1/2，系统时间约为1/5

您的其他加速选择包括：

（1） 如前所述，加载整个文件。大I/O而不是小I/O可以加快速度。但是，如果超出系统内存，您将返回分页，这将比

mmap（）

（因为您必须分页）更糟糕。我在这里不是特别有希望，因为

mmap

已经在使用更大的I/O了

（2） 并发性。也许通过多个线程并行读取文件可以加快速度，但是您需要处理Python。避免GIL将更好地工作，并且您可以轻松地将数据传递回顶级处理程序。然而，这将对下一项——位置——起作用：您可能会使I/O更随机

（3） 地点。以某种方式组织您的数据（或排列您的读取顺序），使您的数据更加紧密

mmap（）

根据系统页面大小将文件分块分页：

>>> import mmap
>>> mmap.PAGESIZE
4096
>>> mmap.ALLOCATIONGRANULARITY
4096
>>> 

如果您的数据距离较近（在4k区块内），它将已经加载到缓冲区缓存中

（4） 更好的硬件。就像SSD一样

我在SSD上运行了这个，速度快得多。我运行了python的概要文件，想知道解包是否昂贵。这不是：

$ python -m cProfile test.py mmap                                                                                                                        
121679286
         26843553 function calls in 8.369 seconds

   Ordered by: standard name

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)
        1    6.204    6.204    8.357    8.357 test.py:24(bymmap)
        1    0.012    0.012    8.369    8.369 test.py:3(<module>)
 26843546    1.700    0.000    1.700    0.000 {_struct.unpack}
        1    0.000    0.000    0.000    0.000 {method 'disable' of '_lsprof.Profiler' objects}
        1    0.000    0.000    0.000    0.000 {method 'fileno' of 'file' objects}
        1    0.000    0.000    0.000    0.000 {open}
        1    0.000    0.000    0.000    0.000 {posix.stat}
        1    0.453    0.453    0.453    0.453 {range}

代码：

---

你调查过熊猫吗？这是伟大的排序大数据集在几乎任何你想要的方式。嗨，欢迎来到StackOverflow！你的标题有点混乱——strip通常意味着删除。一个更准确的词可能是extract。您的超大文件有多大？我认为这实际上取决于您拥有的RAM数量。这是个问题

mmap（）

应该随着数据的增长而线性扩展，

numpy.fromfile（）

不会随着数据大小的增长而扩展，因为在某个时候您需要翻页。您可以使用

numpy.memmap

并充分利用这两个世界。在建立索引之前进行切片（

0:num\u pts

），以最小化副本。

$ time ./test2.py 4
[(4415068.0, 13421773), (-145566705.0, 13421773), (14296671.0, 13421773), (109804332.0, 13421773)]
(-17050634.0, 53687092)

real    0m5.629s
user    0m17.756s
sys     0m0.066s
$ time ./test2.py 1
[(264140374.0, 53687092)]
(264140374.0, 53687092)

real    0m13.246s
user    0m13.175s
sys     0m0.060s

#!/usr/bin/python

import functools
import multiprocessing
import mmap
import os
import struct
import sys

FILE = "/tmp/random"  # dd if=/dev/random of=/tmp/random bs=1024k count=1024
SIZE = os.stat(FILE).st_size
BYTES = 2
SKIP = 10


def bymmap(poolsize, n):
    partition = SIZE/poolsize
    initial = n * partition
    end = initial + partition
    sum = 0.0
    unpacks = 0
    with open(FILE, "r") as fd:
        mm = mmap.mmap(fd.fileno(), 0, prot=mmap.PROT_READ)
        for offset in xrange(initial, end, SKIP*BYTES):
            data = mm[offset:offset+BYTES]
            sum += struct.unpack('h', data)[0]
            unpacks += 1
    return (sum, unpacks)


poolsize = int(sys.argv[1])
pool = multiprocessing.Pool(poolsize)
results = pool.map(functools.partial(bymmap, poolsize), range(0, poolsize))
print results
print reduce(lambda x, y: (x[0] + y[0], x[1] + y[1]), results)