使用h5py无法注册数据类型atom（无法插入重复键）创建大量数据集

Question

我试图将大量的numpy结构化数组作为数据集存储在hdf5文件中。
例如，
f['tree1']=结构化阵列1
。
。
f['tree60000']=结构化阵列60000 （大约有60000棵树）

大约70%的阅读过程中，我得到了错误 运行时错误：无法注册数据类型atom（无法插入重复的密钥）

只有非常大的ascii文件（10e7行，5gb）才会出现此问题。如果文件在附近（10e6行，500mb），则不会发生这种情况。如果我去掉数据类型，只将其存储为一个numpy字符串数组，也不会发生这种情况。在

如果我中途停止读取文件，关闭终端，再次打开它，然后继续从一半开始读取文件，直到最后（我保存结束的行号），我可以解决这个问题。我尝试在python函数本身中打开和关闭hdf5文件，但这没有起作用。在

dt = [
('scale', 'f4'), 
('haloid', 'i8'), 
('scale_desc', 'f4'), 
('haloid_desc', 'i8'), 
('num_prog', 'i4'), 
('pid', 'i8'), 
('upid', 'i8'), 
('pid_desc', 'i8'), 
('phantom', 'i4'), 
('mvir_sam', 'f4'), 
('mvir', 'f4'), 
('rvir', 'f4'), 
('rs', 'f4'), 
('vrms', 'f4'), 
('mmp', 'i4'), 
('scale_lastmm', 'f4'), 
('vmax', 'f4'), 
('x', 'f4'), 
('y', 'f4'), 
('z', 'f4'), 
('vx', 'f4'), 
('vy', 'f4'), 
('vz', 'f4'), 
('jx', 'f4'), 
('jy', 'f4'), 
('jz', 'f4'), 
('spin', 'f4'), 
('haloid_breadth_first', 'i8'), 
('haloid_depth_first', 'i8'), 
('haloid_tree_root', 'i8'), 
('haloid_orig', 'i8'), 
('snap_num', 'i4'), 
('haloid_next_coprog_depthfirst', 'i8'), 
('haloid_last_prog_depthfirst', 'i8'), 
('haloid_last_mainleaf_depthfirst', 'i8'), 
('rs_klypin', 'f4'), 
('mvir_all', 'f4'), 
('m200b', 'f4'), 
('m200c', 'f4'), 
('m500c', 'f4'), 
('m2500c', 'f4'), 
('xoff', 'f4'), 
('voff', 'f4'), 
('spin_bullock', 'f4'), 
('b_to_a', 'f4'), 
('c_to_a', 'f4'), 
('axisA_x', 'f4'), 
('axisA_y', 'f4'), 
('axisA_z', 'f4'), 
('b_to_a_500c', 'f4'), 
('c_to_a_500c', 'f4'), 
('axisA_x_500c', 'f4'), 
('axisA_y_500c', 'f4'), 
('axisA_z_500c', 'f4'), 
('t_by_u', 'f4'), 
('mass_pe_behroozi', 'f4'), 
('mass_pe_diemer', 'f4')
]

def read_in_trees(self):
    """Store each tree as an hdf5 dataset.
    """  
    with open(self.fname) as ascii_file:
        with h5py.File(self.hdf5_name,"r+") as f:
            tree_id = ""  
            current_tree = []
            for line in ascii_file:
                if(line[0]=='#'): #new tree
                        arr = np.array(current_tree, dtype = dt)
                        f[tree_id] = arr
                        current_tree = []
                    tree_id = line[6:].strip('\n')
                else: #read in next tree element
                    current_tree.append(tuple(line.split()))
    return 

错误：

^{pr2}$

Answer 1

你有错误堆栈吗？指示代码中错误产生的位置？在

您报告：error RuntimeError: Unable to register datatype atom (Can't insert duplicate key)

在/usr/lib/python3/dist packages/h5py/\u hl中/数据类型.py在

class Datatype(HLObject):
    # Represents an HDF5 named datatype stored in a file.
    # >>> MyGroup["name"] = numpy.dtype("f")
    def __init__(self, bind):
        """ Create a new Datatype object by binding to a low-level TypeID.

我在这里猜一猜。你的dt有57个术语。我怀疑每次向文件添加tree时，它都会将每个字段注册为一个新的datatype。在

^{pr2}$

57*10e7的70%接近2*32。如果Python/numpy使用int32作为数据类型id，那么您可能达到了这个限制。在

我们必须在h5py或numpy代码中挖掘更多信息，以找到谁发出了这个错误消息。在

通过向文件中添加一个数组：

f[tree_id] = arr

将每个数组放入一个新的Group中的数据集中。如果每个数据集都有一个数据类型，或者数组的每个字段都有一个数据类型，那么很容易就可以得到2*32个数据类型。在

另一方面，如果您可以将多个arr存储到一个组或数据集，则可以避免数千个数据类型的注册。我对h5py还不太熟悉，所以不能建议你怎么做。在

---

我想知道这个序列是否能为多个数据集重用数据类型：

dt1=np.dtype(dt)
gg= f.create_group('testgroup')
gg['xdtype']=dt1
# see h5py.Datatype doc
xdtype=gg['xdtype']
x=np.zeros((10,),dtype=xdtype)
gg['tree1']=x
x=np.ones((10,),dtype=xdtype)
gg['tree2']=x

在Datatype文档之后，我尝试注册一个命名的数据类型，并将其用于添加到组中的每个数据集。在

In [117]: isinstance(xdtype, h5py.Datatype)
Out[117]: True
In [118]: xdtype.id
Out[118]: <h5py.h5t.TypeCompoundID at 0xb46e0d4c>

因此，如果我正确地读取了def make_new_dset，那么这将绕过py_create调用。在