ハッシュデータを１度ファイルを経由して再構築するできるだけ早い方法

Question

ruby 上に {long => {long => [long,long,float]}}
というデータ形式で末端が約 30 万件のデータ構造があって
これを以下のようなコードでバイナリにしてファイルに書き出したところ
1 秒もかからずに書き込みできました

puts "#{Time.now.to_i - start_time}\twrite result start"
File.open("results.txt", mode = "wb"){|f|
  results.each{|d,tmp|
    tmp.each{|a,v|
      f.write [d,a,v[0],v[1],v[2]].pack('QQQQf')
      #puts "#{[d,a,v[0],v[1],v[2]]},"
    }
  }
}
puts "#{Time.now.to_i - start_time}\twrite result complete"

これをもう１度 ruby のハッシュに再構築しようと

data = {}
start_time = Time.now.to_i
puts "reading result start"

File.open("results.txt", mode = "rb"){|f|
  src = f.read 
  puts "#{Time.now.to_i - start_time}\tread result complete: #{src.length}"

  i = 0
  while i < src.length 
    puts i / 36 if i % 36000 == 0
    row = src[i...(i+36)].unpack('QQQQf')
    i += 36

    data[row[0]] = {} unless data[row[0]]
    data[row[0]][row[1]] = row[4]
  end
}

puts "#{Time.now.to_i - start_time}\tdata cinstruct complete"

というコードで読もうとしたんですが
なかなかおわらないので1000件ごとにプログレスを表示したところ
1000件ごとに約 3 秒ぐらいかかってしまいます
（ペース的に30万件 1000 秒で約 20 分かかる計算)

書き込みが 1 秒もかからなかったのに
読み込みでなぜこれほど時間がかかるんでしょうか

ディスクからメモリ上(src という変数) には一瞬で読み込めていて
hash を作るループ部分で時間がかかってるようなのです
どうすれば高速に hash データを構築できるでしょうか？

コードのまずいところがあったら指摘していただけると助かります

書き込み形式自体を変更しても構わないです
ファイルサイズや書き込み時間は多少落ちてもいいので
とにかく再構築時間を最速にしたいです

---

https://qiita.com/Ishotihadus/items/6b48e7606423b714210f
このサイトにいろいろなバイナリの扱いの比較が行われていて
bin_utils がはやいとかかれてるんですが
funny-falcon /
bin_utils
を読む限り連続した同じ型の配列にはできるんですが
pack('QQQQf')
でパックした(36バイトずつの)データを配列に戻す方法がわからず断念しました

---

ちなみに書き込みはその前の処理の関係で ruby でないとだめなんですが
読み込むほうが同じデータ構造を扱えるなら何でもいいので
ruby でパックしたバイナリが読めるのであれば python とか node.js とかでも大丈夫です

Answer 1

高速にしたいのならばMarshalを用います。

# 書き込み
puts "#{Time.now.to_i - start_time}\twrite result start"
File.open("results.txt", mode = "wb"){|f|
  Marshal.dump(results, f)
}
puts "#{Time.now.to_i - start_time}\twrite result complete"

# 読み込み
start_time = Time.now.to_i
puts "reading result start"

data = File.open("results.txt", mode = "rb"){|f| Marshal.load(f) }

puts "#{Time.now.to_i - start_time}\tdata cinstruct complete"

なお、他言語との受け渡しを考えるのならばMessagePackやらCBORを用いる事を考えます。(そっちの方が速いというベンチ結果も見られる)

Comments

[mypt]

バイナリで圧縮して 10m 程度で実行中 200m ぐらいのメモリになっていたので
圧縮したほうが早いかと思ったんですが
ディスクアクセスはネックじゃなかったので確かにこれで十分ですね
ありがとうございました！

Answer 2

ハッシュとは違いますが、Pythonなら下記のようになります。

import numpy as np
import pandas as pd

# Q: unsigned long long (little endian, 64bit long long)
# f: IEEE754, little endian, 32bit single precision
# pack('QQQQf')
my_type = [('d', '<u8'), ('a', '<u8'), ('v', ('<u8, <u8, <f4'))]
rows = np.fromfile('results.txt', dtype=my_type)
df= pd.DataFrame(rows)

print(df)

試験用に次のようなスクリプトを書きました。

File.open("results.txt", mode = "wb"){|f|
  500.times {|d|
    500.times {|a|
        f.write [d, a, 1, 2, d * 500 + a].pack('QQQQf')
    }
  }
}

上記のPythonスクリプトを実行すると下記のように表示されます。

          d    a                 v
0         0    0       (1, 2, 0.0)
1         0    1       (1, 2, 1.0)
2         0    2       (1, 2, 2.0)
3         0    3       (1, 2, 3.0)
4         0    4       (1, 2, 4.0)
...     ...  ...               ...
249995  499  495  (1, 2, 249995.0)
249996  499  496  (1, 2, 249996.0)
249997  499  497  (1, 2, 249997.0)
249998  499  498  (1, 2, 249998.0)
249999  499  499  (1, 2, 249999.0)

例えばdが1でaが2の場合は

mask = (df.d == 1) & (df.a == 2)

として

df[mask]

とすれば取り出すことができます。

上記を応用すると、下記のようにHashライクにアクセスできるクラスを定義できます。実際に辞書を作っている訳ではありませんので、使用時のアクセスは遅いと思います。

import numpy as np
import pandas as pd


class HashLikeObject:
    class Inner:
        def __init__(self, filename):
            _my_type = [
                ("d", "<u8"),
                ("a", "<u8"),
                ("v", "<u8, <u8, <f4"),
            ]
            self._df = pd.DataFrame(np.fromfile(filename, dtype=_my_type))

        def __getitem__(self, second_index):
            mask1 = self._df.d == self._first_index
            mask2 = self._df.a == second_index
            return self._df[mask1 & mask2].v.values[0][2]

    def __init__(self, filename):
        self._inner = self.Inner(filename)

    def __getitem__(self, first_index):
        self._inner._first_index = first_index
        return self._inner


def main():
    data = HashLikeObject("results.txt")
    print(data[1][2])


if __name__ == "__main__":
    main()

Comments

[mypt]

ありがとうございます！
こちらでもうまくいきました

今回は ruby で単にシリアライズするだけでも体感ほぼ一瞬だったので
ruby を採用しようと思うんですが python でバイナリを扱う方法も勉強になりました！