[英]Cython fast conversion of binary string to int array
我有一个很大的二进制数据文件,我想将其加载到C数组中以进行快速访问。 数据文件仅包含一个4字节整数的序列。
我通过pkgutil.get_data函数获取数据,该函数返回一个二进制字符串。 以下代码有效:
import pkgutil
import struct
cdef int data[32487834]
def load_data():
global data
py_data = pkgutil.get_data('my_module', 'my_data')
for i in range(32487834):
data[i] = <int>struct.unpack('i', py_data[4*i:4*(i+1)])[0]
return 0
load_data()
问题在于此代码相当慢。 读取整个数据文件可能需要7或8秒。 将文件直接读取到C语言的数组中仅需1-2秒,但我想使用pkgutil.get_data以便我的模块无论安装在哪里都能可靠地找到数据。
因此,我的问题是:最佳方法是什么? 有没有一种方法可以将数据直接转换为整数数组,而无需所有对struct.unpack的调用? 而且,作为第二个问题,是否有一种方法可以简单地获取数据指针,以避免不必要地复制120MB数据?
另外,有一种方法可以使pkgutil将文件路径返回到数据而不是数据本身(在这种情况下,我可以使用C文件IO相当快地读取文件。
编辑:
仅作记录,这是使用的最终代码(基于Veedrac的回答):
import pkgutil
from cpython cimport array
import array
cdef int[:] data
cdef void load_data():
global data
py_data = pkgutil.get_data('my_module', 'my_data')
data = array.array('i', py_data)
load_data()
一切都很快。
您真的应该只使用Numpy:
import numpy
import random
import struct
data = struct.pack('i'*100, *[random.randint(0, 1000000) for _ in range(100)])
numpy.fromstring(data, dtype="int32")
#>>> array([642029, 967046, 599565, ...etc], dtype=int32)
然后,只需使用任何标准方法即可从中获取指针 。
如果要避免使用Numpy,可以使用char指针来实现一种更快但与平台无关的方法:
cdef int *data_view = <int *><char *>data
这有很多“不确定”的性质,所以要小心。 另外请注意不要修改数据!
两者之间最好的妥协是使用cpython.array
:
from cpython cimport array
import array
def main(data):
cdef array.array[int] data_arr = array.array('i', data)
cdef int *data_ptr = data_arr.data.as_ints
它为您提供了定义明确的语义,并且使用内置库可以快速完成。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.