[英]Likely memory leak in generator loop with islice
我正在处理每个包含数百万条记录的大文件(大约2GB解压缩,几百MB的gzip)。
我使用islice
迭代记录,这使得我可以获得一小部分(用于调试和开发)或者当我想测试代码时。 我注意到我的代码的内存使用量非常大,因此我试图在代码中找到内存泄漏。
下面是配对读取中memory_profiler的输出(我打开两个文件并压缩记录),只有10 ** 5值(默认值被覆盖)。
Line # Mem usage Increment Line Contents
================================================
137 27.488 MiB 0.000 MiB @profile
138 def paired_read(read1, read2, nbrofitems = 10**8):
139 """ Procedure for reading both sequences and stitching them together """
140 27.488 MiB 0.000 MiB seqFreqs = Counter()
141 27.488 MiB 0.000 MiB linker_str = "~"
142 #for rec1, rec2 in izip(read1, read2):
143 3013.402 MiB 2985.914 MiB for rec1, rec2 in islice(izip(read1, read2), nbrofitems):
144 3013.398 MiB -0.004 MiB rec1 = rec1[9:] # Trim the primer variable sequence
145 3013.398 MiB 0.000 MiB rec2 = rec2[:150].reverse_complement() # Trim the low quality half of the 3' read AND take rev complement
146 #aaSeq = Seq.translate(rec1 + rec2)
147
148 global nseqs
149 3013.398 MiB 0.000 MiB nseqs += 1
150
151 3013.402 MiB 0.004 MiB if filter_seq(rec1, direction=5) and filter_seq(rec2, direction=3):
152 3013.395 MiB -0.008 MiB aakey = str(Seq.translate(rec1)) + linker_str + str(Seq.translate(rec2))
153 3013.395 MiB 0.000 MiB seqFreqs.update({ aakey : 1 })
154
155 3013.402 MiB 0.008 MiB print "========================================"
156 3013.402 MiB 0.000 MiB print "# of total sequences: %d" % nseqs
157 3013.402 MiB 0.000 MiB print "# of filtered sequences: %d" % sum(seqFreqs.values())
158 3013.461 MiB 0.059 MiB print "# of repeated occurances: %d" % (sum(seqFreqs.values()) - len(list(seqFreqs)))
159 3013.461 MiB 0.000 MiB print "# of low-score sequences (<20): %d" % lowQSeq
160 3013.461 MiB 0.000 MiB print "# of sequences with stop codon: %d" % starSeqs
161 3013.461 MiB 0.000 MiB print "========================================"
162 3013.504 MiB 0.043 MiB pprint(seqFreqs.most_common(100), width = 240)
简而言之,代码对记录进行了一些过滤,并跟踪字符串在文件中出现的次数(在这种特定情况下为压缩字符串对)。
计数器中100个字符串的150个字符和整数值应该落在100 MB的顶部,我使用@AaronHall的后续函数进行检查 。
鉴于memory_profiler输出,我怀疑islice在迭代过程中不会释放前面的实体。 谷歌搜索让我看到了这个错误报告但是它已被标记为已解决的Python 2.7,这正是我目前正在运行的。
任何意见?
编辑:我已经尝试按照下面的评论跳过islice
并使用for循环之类的
for rec in list(next(read1) for _ in xrange(10**5)):
这没有什么显着差异。 它是在单个文件的情况下,以避免也来自itertools
izip
。
我的第二个故障排除想法是检查gzip.open()
读取并将文件扩展到内存,从而导致此问题。 但是,在解压缩文件上运行脚本没有任何区别。
请注意,memory_profiler仅报告每行的最大内存消耗。 对于长循环,这可能会产生误导,因为循环的第一行似乎总是报告不成比例的内存量。
这是因为它将循环的第一行与之前的行的内存消耗进行比较,这将超出循环。 这并不意味着循环的第一行消耗2985Mb,而是循环内存峰值之间的差异比循环外高2985Mb。
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.