关于json:为什么字典在Python中使用如此多的RAM

Why does a dictionary use so much RAM in Python

我编写了一个python脚本来读取两个文件的内容,第一个是一个相对较小的文件(~30kb),第二个是一个较大的文件~270MB。两个文件的内容都加载到字典数据结构中。当加载第二个文件时,我希望所需的RAM数量大致相当于磁盘上文件的大小,可能会有一些开销,但是在我的PC上观察RAM的使用情况时,它似乎总是需要大约2GB(大约是文件大小的8倍)。相关的源代码如下(暂停插入,以便我可以看到每个阶段的RAM使用情况)。消耗大量内存的行是"tweets=map(json.loads,tweet_file)":

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
def get_scores(term_file):
    global scores
    for line in term_file:
        term, score  = line.split("\t") #tab character
        scores[term] = int(score)

def pause():
    tmp = raw_input('press any key to continue: ')

def main():
    # get terms and their scores..
    print 'open word list file ...'
    term_file = open(sys.argv[1])
    pause()
    print 'create dictionary from word list file ...'
    get_scores(term_file)
    pause()
    print 'close word list file ...'
    term_file.close
    pause()

    # get tweets from file...
    print 'open tweets file ...'
    tweet_file = open(sys.argv[2])
    pause()
    print 'create dictionary from word list file ...'
    tweets = map(json.loads, tweet_file) #creates a list of dictionaries (one per tweet)
    pause()
    print 'close tweets file ...'
    tweet_file.close
    pause()

有人知道这是为什么吗?我担心的是,我想把我的研究扩展到更大的文件,但会很快耗尽内存。有趣的是,打开文件后,内存使用似乎没有明显增加(我认为这只是创建一个指针)。

我有一个想法,试着在文件中一行一行地循环,处理我能做的,并且只存储我将来参考所需的最小值,而不是将所有内容加载到字典列表中,但我只是想看看创建字典时,文件大小对内存的大约8倍乘数是否与其他值一致。急诊室人员的经验?


我猜你的字典上有多个副本同时存储在内存中(以各种格式)。例如,行:

1
tweets = map(json.loads, tweet_file) #creates a list of dictionaries (one per tweet)

将创建一个新副本(+400~1000MB,包括字典开销)。但你原来的tweet_file留在记忆中。为什么数字这么大?如果使用Unicode字符串,每个Unicode字符在内存中使用2或4个字节。而在您的文件中,假设使用UTF-8编码,大多数字符只使用1字节。如果在python 2中使用普通字符串,那么内存中字符串的大小应该几乎与磁盘上的大小相同。所以你必须找到另一种解释。

编辑:python 2中"character"所占用的实际字节数可能会有所不同。以下是一些示例:

1
2
3
4
5
6
7
>>> import sys
>>> sys.getsizeof("")
40
>>> sys.getsizeof("a")
41
>>> sys.getsizeof("ab")
42

如您所见,似乎每个字符都被编码为一个字节。但是:

1
2
>>> sys.getsizeof("à")
42

不适用于"法语"字符。而且…

1
2
3
4
>>> sys.getsizeof("世")
43
>>> sys.getsizeof("世界")
46

对于日语,每个字符有3个字节。

上面的结果依赖于站点——我的系统使用了默认编码"utf-8",这一事实也解释了这一点。上面计算的"字符串大小"实际上是表示给定文本的"字节字符串大小"。

如果"json.load"使用"unicode"字符串,结果会有所不同:

1
2
3
4
5
6
7
8
9
10
>>> sys.getsizeof(u"")
52
>>> sys.getsizeof(u"a")
56
>>> sys.getsizeof(u"ab")
60
>>> sys.getsizeof(u"世")
56
>>> sys.getsizeof(u"世界")
60

在这种情况下,如您所见,每个额外的字符加上4个额外的字节。

也许文件对象会缓存一些数据?如果要触发对象的显式Dellaation,请尝试将其引用设置为无:

1
2
3
4
tweets = map(json.loads, tweet_file) #creates a list of dictionaries (one per tweet)
[...]
tweet_file.close()
tweet_file = None

当一个对象不再有任何引用时,Python将删除它,从而释放相应的内存(从Python堆中),我认为内存不会返回到系统中。


我写了一个快速测试脚本来确认你的结果…

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
import sys
import os
import json
import resource

def get_rss():
    return resource.getrusage(resource.RUSAGE_SELF).ru_maxrss * 1024

def getsizeof_r(obj):
    total = 0
    if isinstance(obj, list):
        for i in obj:
            total += getsizeof_r(i)
    elif isinstance(obj, dict):
        for k, v in obj.iteritems():
            total += getsizeof_r(k) + getsizeof_r(v)
    else:
        total += sys.getsizeof(obj)
    return total

def main():
    start_rss = get_rss()
    filename = 'foo'
    f = open(filename, 'r')
    l = map(json.loads, f)
    f.close()
    end_rss = get_rss()

    print 'File size is: %d' % os.path.getsize(filename)
    print 'Data size is: %d' % getsizeof_r(l)
    print 'RSS delta is: %d' % (end_rss - start_rss)

if __name__ == '__main__':
    main()

…哪些指纹…

1
2
3
File size is: 1060864
Data size is: 4313088
RSS delta is: 4722688

…所以我只得到了四倍的增长,这可以通过每个Unicode字符占用四个字节的RAM来解释。

也许您可以用这个脚本测试您的输入文件,因为我无法解释为什么您的脚本增加了8倍。


你考虑过钥匙的内存使用吗?如果字典中有很多小值,那么键的存储可能占主导地位。