質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

88.92%

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

解決済

回答 2

投稿 編集

  • 評価
  • クリップ 1
  • VIEW 152

mypt

score 161

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

  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 過去に投稿した質問と同じ内容の質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

回答 2

checkベストアンサー

+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)

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2020/07/23 10:08

    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!

    キャンセル

+1

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()

投稿

編集

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2020/07/23 10:11

    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!

    キャンセル

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 88.92%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる

同じタグがついた質問を見る