加速python的struct.unpack

Question

我正在尝试加速我的脚本。 它基本上读取带有 Velodyne 的 Lidar HDL-32 信息的 pcap 文件，并允许我获取 X、Y、Z 和强度值。 我已经使用python -m cProfile ./spTestPcapToLas.py分析了我的脚本，它在我的readDataPacket()函数调用中花费了最多的时间。 在一个小型测试（80 MB 文件）中，解包部分花费了大约 56% 的执行时间。

我像这样调用readDataPacket函数（ chunk是指 pcap 文件）：

packets = []
for packet in chunk:
    memoryView = memoryview(packet.raw())
    udpDestinationPort = unpack('!h', memoryView[36:38].tobytes())[0]

    if udpDestinationPort == 2368:
        packets += readDataPacket(memoryView)

readDataPacket()函数本身定义如下：

def readDataPacket(memoryView):
    firingData = memoryView[42:]    
    firingDataStartingByte = 0    
    laserBlock = []

    for i in xrange(firingBlocks):
        rotational = unpack('<H', firingData[firingDataStartingByte+2:firingDataStartingByte+4])[0]        
        startingByte = firingDataStartingByte+4
        laser = []
        for j in xrange(lasers):   
            distanceInformation = unpack('<H', firingData[startingByte:(startingByte + 2)])[0] * 0.002
            intensity = unpack('<B', firingData[(startingByte + 2)])[0]   
            laser.append([distanceInformation, intensity])
            startingByte += 3
        firingDataStartingByte += 100
        laserBlock.append([rotational, laser])

    return laserBlock

关于如何加快流程的任何想法？ 顺便说一下，我使用 numpy 进行 X、Y、Z、强度计算。

Answer 1

Numpy 可以让你非常快速地做到这一点。 在这种情况下，我认为最简单的方法是直接使用ndarray构造函数：

import numpy as np

def with_numpy(buffer):
    # Construct ndarray with: shape, dtype, buffer, offset, strides.
    rotational = np.ndarray((firingBlocks,), '<H', buffer, 42+2, (100,))
    distance = np.ndarray((firingBlocks,lasers), '<H', buffer, 42+4, (100,3))
    intensity = np.ndarray((firingBlocks,lasers), '<B', buffer, 42+6, (100,3))
    return rotational, distance*0.002, intensity

这将返回单独的数组而不是嵌套列表，这应该更容易进一步处理。 作为输入，它需要一个buffer对象（在 Python 2 中）或任何公开缓冲区接口的东西。 不幸的是，这取决于您的 Python 版本 (2/3) 您可以准确使用哪些对象。 但是这个方法非常快：

import numpy as np

firingBlocks = 10**4
lasers = 32
packet_raw = np.random.bytes(42 + firingBlocks*100)

%timeit readDataPacket(memoryview(packet_raw))
# 1 loop, best of 3: 807 ms per loop
%timeit with_numpy(packet_raw)
# 100 loops, best of 3: 10.8 ms per loop

Answer 2

提前编译Struct ，以避免使用模块级方法的 Python 级包装代码。 在循环外进行，因此不会重复支付建设成本。

unpack_ushort = struct.Struct('<H').unpack
unpack_ushort_byte = struct.Struct('<HB').unpack

Struct方法本身在 CPython 中用 C 实现（并且模块级方法在解析格式字符串后最终委托给相同的工作），因此构建一次Struct并存储绑定方法可以节省大量工作，特别是当解压少量值。

您还可以通过将多个值一起解包而不是一次解包来节省一些工作：

distanceInformation, intensity = unpack_ushort_byte(firingData[startingByte:startingByte + 3])
distanceInformation *= 0.002

正如Dan 所指出的，您可以使用iter_unpack进一步改进这iter_unpack ，这将进一步减少字节代码执行和小切片操作的数量。

Answer 3

对于您的特定情况，如果您可以将循环放入 numpy 调用中，那将是最快的。

话虽如此，对于struct.unpack部分 - 如果您的数据发生在本机字节顺序中，您可以使用memoryview.cast 。 举一个short例子，它比struct.unpack快约 3 倍，逻辑上没有任何变化。

In [20]: st = struct.Struct("<H")

In [21]: %timeit struct.unpack("<H", buf[20:22])
1.45 µs ± 26.5 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

In [22]: %timeit st.unpack(buf[20:22])
778 ns ± 10.8 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

In [23]: %timeit buf.cast("H")[0]
447 ns ± 4.16 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

Answer 4

您可以在一次调用中将原始distanceInformation和intensity值解包在一起。 特别是因为您只是将它们放在一个列表中：这就是unpack()在解包多个值时所做的。 在您的情况下，您需要将distanceInformation乘以0.002 ，但您可以通过将其留到稍后来节省时间，因为您可以使用iter_unpack()在一次调用中解析整个原始对列表。 该函数为您提供了一个生成器，可以使用itertools.islice()对其进行切片，然后将其转换为列表。 像这样的东西：

laser_iter = struct.iter_unpack('<HB', firingData[firingDataStartingByte + 4])
laser = [[d * 0.002, i] for d, i in itertools.islice(laser_iter, lasers)]

不幸的是，这有点难以阅读，因此您可能想找到一种方法将其扩展到更多代码行中，使用更多描述性的变量名称，或者在您忘记为什么写这篇文章时为将来添加注释……