R 无法在 ff 过程中分配内存。怎么会？

Posted 2023-03-11

【中文标题】R 无法在 ff 过程中分配内存。怎么会？

【英文标题】：R could not allocate memory on ff procedure. How come?

【发布时间】：2014-10-02 08:25:56

【问题描述】：

我正在使用带有 Intel Xeon 处理器和 24 GB RAM 的 64 位 Windows Server 2008 机器。我在尝试读取 11 GB（>2400 万行，20 列）的特定 TSV（制表符分隔）文件时遇到问题。我平时的伙伴read.table 让我失望了。我目前正在通过这个过程尝试包ff：

> df <- read.delim.ffdf(file       = "data.tsv",
+                       header     = TRUE,
+                       VERBOSE    = TRUE,
+                       first.rows = 1e3,
+                       next.rows  = 1e6,
+                       na.strings = c("", NA),
+                       colClasses = c("NUMERO_PROCESSO" = "factor"))

这适用于大约 600 万条记录，但随后出现错误，如您所见：

read.table.ffdf 1..1000 (1000) csv-read=0.14sec ffdf-write=0.2sec
read.table.ffdf 1001..1001000 (1000000) csv-read=240.92sec ffdf-write=67.32sec
read.table.ffdf 1001001..2001000 (1000000) csv-read=179.15sec ffdf-write=94.13sec
read.table.ffdf 2001001..3001000 (1000000) csv-read=792.36sec ffdf-write=68.89sec
read.table.ffdf 3001001..4001000 (1000000) csv-read=192.57sec ffdf-write=83.26sec
read.table.ffdf 4001001..5001000 (1000000) csv-read=187.23sec ffdf-write=78.45sec
read.table.ffdf 5001001..6001000 (1000000) csv-read=193.91sec ffdf-write=94.01sec
read.table.ffdf 6001001..
Error in scan(file, what, nmax, sep, dec, quote, skip, nlines, na.strings,  : 
  could not allocate memory (2048 Mb) in C function 'R_AllocStringBuffer'

如果我没记错的话，R 抱怨缺少内存来读取数据，但read...ffdf 程序不应该在读取数据时规避大量内存使用吗？我在这里做错了什么？

【问题讨论】：

在此线程中查看一些可能有帮助的答案：***.com/a/1820610/3897439。尤其是使用来自data.table 包和sqldf 包的fread。我知道您的问题不是时间效率，但也许其中一种方法也可以避免内存问题。

另外，如果您在更多代码中间读取此数据，这可能有助于确定您的内存使用情况：***.com/q/1358003/3897439

@Cotton.Rockwood：感谢您的帮助。不幸的是，fread 从未使用过我使用的数据框，因为它们总是包含一个充满嵌入式引号的字符列（函数帮助页面本身承认了这个问题）。至于您的链接直接指向的sqldf 替代方案，我似乎无法使其工作，因为显然它正在寻找逗号或分号作为分隔符，而我的文件使用制表符。

【参考方案1】：

（我意识到这是一个老问题，但我遇到了同样的问题并花了两天时间寻找解决方案。这似乎是记录我最终为后代找到的东西的好地方。）

问题不在于可用内存不足。问题是您已经达到了单个字符串的内存限制。来自帮助（'内存限制'​​）：

对单个对象也有限制。存储空间不能超过地址限制，如果您尝试超过该限制，错误消息开始无法分配长度向量。 字符串的字节数限制为2^31 - 1 ~ 2*10^9，这也是数组每个维度的限制。

在我的情况下（你的情况也是如此）我没有费心设置引号字符，因为我正在处理制表符分隔的数据并且我认为这并不重要。然而，在数据集中间的某个地方，我有一个带有不匹配引号的字符串，然后 read.table 愉快地跑到了行尾，一直到下一个，下一个，下一个......直到它达到了字符串大小的限制并爆炸了。

解决方案是在参数列表中显式设置quote = ""。