Perl：在磁盘上存储巨大的哈希有问题吗？

Posted 2023-02-16

【中文标题】Perl：在磁盘上存储巨大的哈希有问题吗？

【英文标题】：Perl: Trouble storing a huge hash on disk?

【发布时间】：2014-02-14 01:44:56

【问题描述】：

我正在从事一个 Perl 项目，该项目涉及使用大约 1700 万个键构建散列。这太大了，无法存储在内存中（我的笔记本电脑的内存只能保存大约 1000 万个键）。我知道解决方案是将数据存储在磁盘上，但在实践中我无法执行此操作。这是我尝试过的：

DB_File

use strict;
use DB_File;
my $libfile = shift;
my %library;
tie %library, "DB_File", "$libfile";
for (my $a = 1; $a < 17000000; a++) 
    # Some code to generate key and value #
    $library$key = $value;

这给了我一个分段错误：循环中的 11 部分，原因我不明白。

伯克利数据库

use strict; 
use BerkeleyDB;
my $libfile = shift;
my $library = new BerkeleyDB::Hash
    -Filename => $libfile,
    -Flags => DB_CREATE;

for (my $a = 1; $a < 17000000; a++) 
    # Some code to generate key and value #
    $library->db_put($key, $value);

这对于前 1500 万个键似乎效果很好，但随后会显着减慢并最终在循环结束时完全冻结。我认为这不是内存问题。如果我将循环分成四部分，将它们放在四个单独的程序中，并按顺序运行它们（每次向数据库添加约 400 万条记录），前三个成功完成，但第四个在数据库大约有 15 条时挂起万把钥匙。所以看起来 BerkeleyDB 可能只能处理大约 1500 万个哈希键？？？

DBM::Deep

use strict; 
use DBM::Deep;
my $libfile = shift;
my $library = new DBM::Deep $libfile;

for (my $a = 1; $a < 17000000; a++) 
    # Some code to generate key and value #
    $library->put($key => $value);

从初步测试来看，这似乎工作正常，但它真的很慢：每千个键大约 5 秒，或者运行整个循环约 22 小时。如果可能的话，我宁愿避免这种情况。

我将非常感谢有关解决其中一个软件包的建议，或有关完成相同任务的其他选项的想法。

更新

【问题讨论】：

看看使用 mongodb 之类的 nosql 数据库是否适合您。 mongodb.com/learn/nosql

什么操作系统和 perl 版本以及您尝试过的模块？您的平均键和平均值有多大？

你能在“key sorted”模式下生成条目吗？我想我记得一个巨大的 BerkeleyDB 案例，当从散列切换到 btree 时，“键排序”插入提高了性能。改进非常显着，但还不够。

@AndrzejA.Filip：使用 Btree 就可以了。谢谢！！！

在报告的情况下，我记得巨大的 BerkeleyDB 创建时间从哈希的几个小时减少到带有“键排序”附加的 btree 的 20 分钟。反正时间太长了，所以这个家伙决定切换到能够直接访问 SQL 数据库的软件，以避免将 SQL 数据库“转储”到 BerkeleyDB。

【参考方案1】：

切换到 btree 可以提高以“键排序模式”访问的 HUGE BerkeleyDB 的性能。它减少了所需的磁盘 I/O 操作次数。

案例研究： 在新闻报道的一个案例中：comp.mail.sendmail 我记得巨大的 BerkeleyDB 创建时间从哈希的几个小时减少到带有“键排序”附加的 btree 的 20 分钟。无论如何它太长了，所以这个家伙决定切换到能够直接访问 SQL 数据库的软件，从而避免将 SQL 数据库“转储”到 BerkeleyDB。 (virtusertable, sendmail->postfix)

【参考方案2】：

你可以试试 PostgreSQL。

先创建一个有两列key和value的表，varchar就可以了，

然后，不要插入每一个，而是使用 Pg::BulkCopy 将数据复制到数据库。

我建议一次插入不超过 100 MB，因为当您的 COPY 命令失败时，PostgreSQL 会将之前插入的那些行保留在磁盘上，并且只有在您 VACUUM FULL 表时才会将其删除。 （有一次我处理了很多 5GB，其中一些由于几乎结束的一些限制而失败，并且磁盘在回滚时永远不会恢复..）

ps：你也可以直接使用 DBD::Pg：https://metacpan.org/pod/DBD::Pg#COPY-support

所有复制完成后，您可以在 key 上创建索引，如果您需要更快的速度，请使用 Redis 或带有 MAXMEMORY POLICY 的 memcached