从文件到字符串的快速数据移动

Question

在Python中，我有一个文件流，我想将其中的一部分复制到一个StringIO中。我希望这是最快的，用最少的副本。

但如果我这样做了：

data = file.read(SIZE)
stream = StringIO(data)

我想两份已经完成了，不是吗？一份拷贝到文件中的数据，另一份拷贝到内部缓冲区中的StringIO。我能避开其中一份吗？我不需要临时的data，所以我认为一份就足够了

Answer 1

不，没有多余的复印件。用于存储数据的缓冲区是相同的。对于同一数据，data和使用StringIO.getvalue()可访问的内部属性都是不同的名称。

Python 2.7 (r27:82500, Jul 30 2010, 07:39:35) 
[GCC 4.1.2 20080704 (Red Hat 4.1.2-48)] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> import StringIO
>>> data = open("/dev/zero").read(1024)
>>> hex(id(data))
'0xea516f0'
>>> stream = StringIO.StringIO(data)
>>> hex(id(stream.getvalue()))
'0xea516f0'

快速浏览一下the source可以发现cStringIO在构造时也不会生成副本，但在调用cStringIO.getvalue()时它确实会生成副本，因此我不能重复上面的演示。

Answer 2

也许你要找的是一个buffer/memoryview：

>>> data = file.read(SIZE)
>>> buf = buffer(data, 0, len(data))

这样，您就可以访问原始数据的一部分，而无需复制它。但是，您必须对只以面向字节的格式访问该数据感兴趣，因为缓冲区协议提供了这种格式。

您可以在相关的question中找到更多信息。

编辑：在我通过reddit找到的blog post中，提供了关于同一问题的更多信息：

>>> f = open.(filename, 'rb')
>>> data = bytearray(os.path.getsize(filename))
>>> f.readinto(data)

根据作者的说法，由于bytearray是可变的，因此不会创建额外的副本和修改数据。

Answer 3

简而言之：使用StringIO不能避免两个副本。

一些假设：

• 你用的是cStringIO，否则优化这么多就太傻了。
• 你追求的是速度而不是记忆效率。如果没有，请参阅Jakob Bowyer的解决方案，如果您的文件是二进制的，则使用file.read(SOME_BYTE_COUNT)变量。
• 您已经在注释中说明了这一点，但为了完整起见：您希望实际编辑内容，而不仅仅是查看内容。

Long answer：由于python字符串是不可变的，而StringIO缓冲区是不可变的，因此迟早要进行复制；否则您将要更改不可变对象！对于您希望实现的功能，StringIO对象需要有一个专用的方法，该方法直接从作为参数给定的文件对象中读取数据。没有这种方法。

在StringIO的之外，有一些解决方案可以避免额外的复制。在我的头顶上，这将直接读取一个文件到一个可修改的字节数组中，没有额外的副本：

import numpy as np
a = np.fromfile("filename.ext", dtype="uint8")

使用它可能会很麻烦，这取决于您想要的用法，因为它是一个从0到255的值数组，而不是一个字符数组。但它在功能上等同于StringIO对象，使用np.fromstring、np.tostring、np.tofile和切片符号应该可以让您达到所需的效果。您可能还需要np.insert、np.delete和np.append。

我相信还有其他模块也会做类似的事情。

时间：

这些到底有多重要？好吧，让我看看。我做了一个100MB的文件，largefile.bin。然后我使用两种方法读入文件并更改第一个字节。

$ python -m timeit -s "import numpy as np" "a = np.fromfile('largefile.bin', 'uint8'); a[0] = 1"
10 loops, best of 3: 132 msec per loop
$ python -m timeit -s "from cStringIO import StringIO" "a = StringIO(); a.write(open('largefile.bin').read()); a.seek(0); a.write('1')"
10 loops, best of 3: 203 msec per loop

所以在我的例子中，使用StringIO比使用numpy慢50%。

最后，为了进行比较，直接编辑文件：

$ python -m timeit "a = open('largefile.bin', 'r+b'); a.seek(0); a.write('1')"
10000 loops, best of 3: 29.5 usec per loop

所以，速度快了近4500倍。当然，这完全取决于你要对文件做什么。改变第一个字节几乎不具有代表性。但是使用这种方法，你确实可以在其他两个操作系统上抢先一步，而且由于大多数操作系统都有很好的磁盘缓冲，所以速度也可能非常好。

（如果不允许编辑文件，因此希望避免制作工作副本的成本，有两种可能的方法可以提高速度。如果您可以选择文件系统，Btrfs有一个copy-on-write文件复制操作——使获取文件副本的行为几乎是即时的。使用任何文件系统的LVM快照也可以达到同样的效果。）