题
现在我有一个登录分析器读通过515mb的纯文本文件(文件的每一天过去4年)。我的代码目前为此: http://gist.github.com/12978.我用psyco(以看出,在代码)和我还编写并使用该汇编的版本。它做的大约100条线的每一个0.3秒钟。机器是一个标准的15"它(2.4千兆赫C2D,2GB RAM)
是否有可能为这走得更快或是这一限制语文/数据库?
解决方案
不要浪费时间分析。时间总是在数据库操作中。做尽可能少。只需最少的插入次数。
三件事。
一。不要一遍又一遍地选择符合日期,主机名和人员维度。将所有数据ONCE获取到Python字典中并在内存中使用它。不要重复单身选择。使用Python。
两个。不要更新。
具体来说,不要这样做。这个代码很糟糕有两个原因。
cursor.execute("UPDATE people SET chats_count = chats_count + 1 WHERE id = '%s'" % person_id)
将其替换为简单的SELECT COUNT(*)FROM ....永远不要更新以增加计数。只需使用SELECT语句计算那里的行。 [如果你不能用一个简单的SELECT COUNT或SELECT COUNT(DISTINCT)来做这件事,你就会遗漏一些数据 - 你的数据模型应该总是提供正确的完整计数。永远不要更新。]
和。切勿使用字符串替换来构建SQL。完全愚蠢。
如果由于某种原因 SELECT COUNT(*)
不够快(首先是基准测试,在做任何蹩脚之前),你可以将计数结果缓存到另一个表中。在所有负载之后。做一个 SELECT COUNT(*)FROM FROM GROUP BY
,然后将其插入到计数表中。不要更新。如初。
三。使用绑定变量。总是
cursor.execute( "INSERT INTO ... VALUES( %(x)s, %(y)s, %(z)s )", {'x':person_id, 'y':time_to_string(time), 'z':channel,} )
SQL永远不会改变。这些值在更改中绑定,但SQL永远不会更改。这要快得多。永远不要动态构建SQL语句。决不。
其他提示
在sql语句中使用绑定变量而不是文字值,并为其创建游标 每个唯一的sql语句,以便下次使用时不需要重新声明该语句。来自python db api doc:
准备并执行数据库 操作(查询或命令)。 参数可以作为序列提供 或映射并将被绑定 操作中的变量。变量 在特定于数据库中指定 符号(参见模块的参数) 细节的属性)。 [5]
对操作的引用将是 由光标保留。如果相同 操作对象再次传入, 然后光标可以优化它 行为。这是最有效的 相同操作的算法 使用,但不同的参数 它很多次(很多次)。
始终始终使用绑定变量。
在for循环中,您将重复插入“聊天”表,因此您只需要一个带有绑定变量的单个sql语句,以使用不同的值执行。所以你可以把它放在for循环之前:
insert_statement="""
INSERT INTO chats(person_id, message_type, created_at, channel)
VALUES(:person_id,:message_type,:created_at,:channel)
"""
然后代替执行的每个sql语句将其放置到位:
cursor.execute(insert_statement, person_id='person',message_type='msg',created_at=some_date, channel=3)
这会让事情变得更快,因为:
- 每次光标对象都不必重新分析语句
- 数据库服务器不必生成新的执行计划,因为它可以使用之前创建的计划。
- 您不必调用santitize(),因为绑定变量中的特殊字符不会成为执行的sql语句的一部分。 醇>
- 您正在使用“UPDATE people SET chatscount”进行递增在每次循环迭代之后。保持字典映射用户到chat_count,然后执行您看到的总数的语句。这比在每条记录之后点击db更快。
- 对所有查询使用绑定变量。不只是insert语句,我选择它作为一个例子。
- 更改所有执行db look up的find _ *()函数以缓存其结果,这样他们就不必每次都访问db。
- psycho优化执行大量数字操作的python程序。该脚本是IO昂贵的,而不是CPU昂贵,所以如果有任何优化,我不希望给你太多。 醇>
注意:我使用的绑定变量语法是Oracle特定的。您必须检查psycopg2库的文档以获取确切的语法。
其他优化:
正如Mark建议的那样,使用绑定变量。数据库只需准备一次每个语句,然后“填写空白”。每次执行。作为一个很好的副作用,它会自动处理字符串引用问题(你的程序没有处理)。
打开事务(如果它们尚未存在)并在程序结束时执行单个提交。在需要提交所有数据之前,数据库不必向磁盘写入任何内容。如果您的程序遇到错误,则不会提交任何行,只需在问题得到纠正后重新运行该程序即可。
您的log_hostname,log_person和log_date函数正在对表执行不必要的SELECT。使适当的表属性为PRIMARY KEY或UNIQUE。然后,不要在INSERT之前检查是否存在密钥,而是执行INSERT。如果person / date / hostname已存在,则INSERT将从约束违规失败。 (如果您使用具有单个提交的事务,这将不起作用,如上所述。)
或者,如果您知道在程序运行时唯一一个INSERT到表中,那么在内存中创建并行数据结构并在执行INSERT时将它们保存在内存中。例如,将表中的所有主机名读入程序开头的关联数组。当想知道是否要执行INSERT时,只需进行数组查找。如果未找到任何条目,请执行INSERT并相应地更新阵列。 (这个建议与事务和单个提交兼容,但需要更多的编程。但是,它会更加快速。)
此外,许多细的建议,@标罗迪给了,做到以下几点:
- 不要用
readlines
, 你可以迭代过文件的对象 - 尝试使用
executemany
而不是execute
:尝试做一批插入而不是单一的插入,这往往是速度更快,因为有小的开销。它也减少了犯 str.rstrip
将工作只是罚款而不是剥离的新行与regex
分批处理的插入件将使用更多的存储器暂时的,但这应该是美好的,当你没读全文进入存储器。