为什么字典在Python中使用如此多的RAM

Question

我写了一个python脚本，读取两个文件的内容，第一个是相对较小的文件（~30KB），第二个是较大的文件~270MB。 两个文件的内容都加载到字典数据结构中。 当第二个文件被加载时，我原本预计所需的RAM量大致相当于磁盘上文件的大小，可能有一些开销，但是看着我的PC上的RAM使用量似乎一直需要~2GB（左右）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）”：

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()

有人知道为什么吗？ 我担心的是，我想将我的研究扩展到更大的文件，但会快速耗尽内存。 有趣的是，打开文件后内存使用量似乎没有明显增加（因为我认为这只是创建一个指针）。

我有一个想法，一次尝试循环一行文件并处理我能做的事情，只存储我需要的最小值以供将来参考而不是将所有内容加载到字典列表中，但我只是想知道是否创建字典时，文件大小与内存的乘数大约相当于其他人的经验？

Answer 1

我的猜测是你的dictionnary上有多个副本同时存储在内存中（以各种格式）。 作为一个例子，该行：

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

将创建一个新的副本（+ 400~1000MB包含字典的开销）。 但你原来的tweet_file留在内存中。 为什么这么大的数字？ 好吧，如果你使用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UTF-8编码，大多数字符只使用1个字节。 如果在Python 2中使用普通字符串，则内存中字符串的大小应与磁盘上的大小几乎相同。 所以你必须找到另一个解释。

编辑： Python 2中“字符”占用的实际字节数可能会有所不同。 这是一些例子：

>>> import sys
>>> sys.getsizeof("")
40
>>> sys.getsizeof("a")
41
>>> sys.getsizeof("ab")
42

如您所见， 似乎每个字符都编码为一个字节。 但：

>>> sys.getsizeof("à")
42

不适用于“法国”字符。 而......

>>> sys.getsizeof("世")
43
>>> sys.getsizeof("世界")
46

对于日语，我们每个字符有3个字节。

以上结果取决于站点 - 并且由我的系统使用'UTF-8'作为默认编码这一事实来解释。 上面计算的“字符串的大小”实际上是表示给定文本的“字节串的大小”。

如果'json.load'使用“unicode”字符串，结果会有所不同：

>>> 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，每个额外字符添加4个额外字节。

---

也许文件对象会缓存一些数据？ 如果要触发对象的显式dellaocation，请尝试将其引用设置为None：

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

当没有对对象的任何引用时，Python将解除它 - 并因此释放相应的内存（ 从Python堆 - 我不认为内存返回到系统 ）。

Answer 2

我写了一个快速测试脚本来确认你的结果......

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()

...打印...

File size is: 1060864
Data size is: 4313088
RSS delta is: 4722688

...所以我只增加了四倍，这可以通过每个Unicode字符占用四个字节的RAM这一事实来解释。

也许您可以使用此脚本测试输入文件，因为我无法解释为什么您的脚本会增加八倍。

Answer 3

您是否考虑过密钥的内存使用情况？ 如果字典中有许多小值，则键的存储可能占主导地位。