我正在处理一个大文件,每个文件包含几百万条记录(大约2GB未打包,几百MbsGZIP)。在
我用islice
遍历记录,这允许我在测试代码时获得一小部分(用于调试和开发)或全部内容。我注意到我的代码内存使用量非常大,因此我试图在代码中查找内存泄漏。在
下面是memory_profiler在成对读取(打开两个文件并压缩记录)时的输出,结果只有10**5个值(默认值被覆盖)。在
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,代码对记录进行一些过滤,并跟踪字符串在文件中出现的次数(在这种情况下是压缩的字符串对)。在
在一个计数器中,包含150个字符的100000个字符串的最大值应该是100mbs,我使用下面的函数通过@AaronHall检查了这个值。在
考虑到memory_profiler的输出,我怀疑islice不会在迭代过程中放弃前面的实体。一个google搜索让我在this bug report上找到了,但是它被标记为python2.7解决了,这正是我目前正在运行的。在
有什么意见吗?在
编辑:根据下面的注释,我尝试跳过islice
,并使用类似for循环的
这没什么大不了的。在单个文件的情况下,为了避免izip
,它也来自{
我的第二个故障排除方法是检查gzip.open()
是否读取并将文件扩展到内存中,从而导致这里的问题。不过,在解压文件上运行脚本并没有什么不同。在
请注意,memory_profiler只报告每行的最大内存消耗。对于长循环,这可能是误导,因为循环的第一行似乎总是报告不成比例的内存量。在
这是因为它将循环的第一行与之前该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,而是循环内内存峰值之间的差异比循环外高2985Mb。在
相关问题 更多 >
编程相关推荐