如何将 vector<Chunk*> 读/写为内存映射文件？

Posted 2023-02-21

【中文标题】如何将 vector<Chunk*> 读/写为内存映射文件？

【英文标题】：How to read/write vector<Chunk*> as memory mapped file(s)?

【发布时间】：2013-10-23 01:33:08

【问题描述】：

我有大量数据块 (~50GB)。在我的代码中，我必须能够执行以下操作：

反复迭代所有块并对它们进行一些计算。

反复迭代所有块并对它们进行一些计算，在每次迭代中，访问块的顺序（尽可能）是随机的。

到目前为止，我已将数据拆分为 10 个二进制文件（使用 boost::serialization 创建），并一个接一个地重复读取并执行计算。对于（2），我按照随机顺序读取了10个文件，并按顺序处理每个文件，这样就足够了。

但是，读取其中一个文件（使用boost::serialization）需要很长时间，我想加快速度。

我可以使用内存映射文件代替boost::serialization 吗？

特别是，我会在每个文件中都有一个vector<Chunk*>。我希望能够非常非常快速地读取这样的文件。

如何读/写这样的vector<Chunk*> 数据结构？我看过boost::interprocess::file_mapping，但我不知道该怎么做。

我读过这篇文章 (http://boost.cowic.de/rc/pdf/interprocess.pdf)，但它并没有说明内存映射文件。我想我会先将vector<Chunk*> 存储在映射内存中，然后再存储块本身。而且，vector<Chunk*> 实际上会变成offset_ptr<Chunk>*，即offset_ptr 数组？

【问题讨论】：

128 GB RAM 的成本约为 1000 美元。除此之外，这台机器有多少 RAM？

在处理下一个 5 GB 块之前花费了多少时间？我要求确定这是磁盘 IO 问题还是 CPU 问题。快速计算表明，平均磁盘可以在 1220 秒内移动 5 GB（假设 64KB 传输和每次传输 0.015 秒）。

文件是一个字节数组，这就是你在内存映射时得到的。

【参考方案1】：

内存映射文件是一块内存，与任何其他内存一样，它可以按字节、小端字、位或任何其他数据结构组织。如果可移植性是一个问题（例如字节顺序），则需要小心。

以下代码可能是一个很好的起点：

#include <cstdint>
#include <memory>
#include <vector>
#include <iostream>
#include <boost/iostreams/device/mapped_file.hpp>

struct entry 
  std::uint32_t a;
  std::uint64_t b;
 __attribute__((packed)); /* compiler specific, but supported 
                              in other ways by all major compilers */

static_assert(sizeof(entry) == 12, "entry: Struct size mismatch");
static_assert(offsetof(entry, a) == 0, "entry: Invalid offset for a");
static_assert(offsetof(entry, b) == 4, "entry: Invalid offset for b");

int main(void) 
  boost::iostreams::mapped_file_source mmap("map");
  assert(mmap.is_open());
  const entry* data_begin = reinterpret_cast<const entry*>(mmap.data());
  const entry* data_end = data_begin + mmap.size()/sizeof(entry);
  for(const entry* ii=data_begin; ii!=data_end; ++ii)
    std::cout << std::hex << ii->a << " " << ii->b << std::endl;
  return 0;

data_begin 和 data_end 指针可以与大多数 STL 函数一起使用，就像任何其他迭代器一样。