【数据蒋堂】第41期:文件的性能分析

发布时间:2018-02-06 分类:数据蒋堂 Tag:,,,,

sjjt-41

我们以前讲过硬盘的性能特征,主要是针对硬件层面进行分析的,现在我们来考虑软件层面的差异。

理论上讲,软件可以穿过操作系统直接进行磁盘扇区的访问,但实在太过于麻烦而几乎不会实践机会,这里就不考虑了,我们只讨论操作系统下的存储形式,而文件就是其中重要的存储形式。

文件一般有两种:文本文件和二进制文件,我们分别来讨论。

文本文件

文本是很常见的数据存储形式,它具有通用性易读性等优点而被广泛使用。但是,文本的性能却非常差!

文本字符不能直接运算,需要转换成整数、实数、日期、字符串等内存数据类型才可以进一步处理,而文本的解析是个非常复杂的任务。

举个例子,设想一下把文本“12345"转成内存二进制整数12345的过程:

1. 先设结果的初始值为0
2. 拆出字符“1”,解析出数值1,将初值0乘以10加上这个1得到数值1
3. 再拆出字符“2”,解析出数值2,把刚才的1乘以10和这个2相加得到数值12
4. 再拆出字符“3”,解析出数值3,把刚才的12再乘以10加上这个3得到数值123
5. ...

有些C程序员知道用函数atoi()可以实现字串到整数的转换,仅仅一句代码,看似非常简单,但其实背后的步骤非常多,CPU要干很多事才能完成这个动作,耗时并不短。实际过程中还要判断可能出现的非法字符(比如不是数字的字符),比上面描述的步骤还要更复杂得多。

整数还是最简单的数据类型,如果是实数还要处理小数点,字符串解析时要考虑转义字符和引号匹配,日期的解析更是要麻烦得多,因为格式种类太多,2018/1/10和10-1-2018都是常见的合法日期格式,甚至还有Jan-10 2018这种,要正确解析,就得尝试用多种格式去匹配,CPU耗时很严重。

一般来讲,外存数据访问的主要时间是在硬盘本身的读取上,而文本文本的性能瓶颈却经常发生在CPU环节。因为解析的复杂性,CPU耗时很可能超过硬盘耗时(特别是采用高性能固态硬盘时)。文本是非常慢的,需要高性能处理大数据时不要使用文本!

但是,有些原始数据(如日志)只有文本形式,解析文本就是不可避免的任务。这时候,一方面可以采用并行技术,利用多CPU并行度更高的特性,由多个线程同时解析文本,这样即使仍然串行访问硬盘也能获得更高的文本处理性能;另一方面,这些数据如果需要反复使用,那么最好是转换成二进制格式存储,第二次使用不要再次解析。

二进制文件

二进制文件中,我们会将各种数据类型对应的内存字节直接写出到文件中,再读取时也只要直接取出重新装载成内存数据,没有复杂的解析过程,也不需要判断和识别非法情况,这时性能就会好很多。

不过,用二进制数据存储时需要考虑好压缩手段,否则在某些极端情况下会比文本的存储空间更大,虽然解析时间缩短,但硬盘访问时间会变长。

比如整数1,用文本存储时只要占一个字节,即使加上分隔符也就两个字节。而如果要把所有整数都按32位整数处理(当前计算机的整数数据类型大多数是这个位长),就需要用4个字节来存储,比文本大了一倍,有时可能还要加上数据类型本身的信息,就会更长。

对于这种情况,合理的做法是根据数的大小决定位长,比如小整数只存储一个字节或两个字节,大整数才存储更多的字节,因为小整数较常见,结果会使得总体存储空间降低,从而获得性能优势。

但是,压缩率并不是越高越好,解压缩需要消耗CPU时间。象上面说的,把整数分大小存储能够减少空间,但在解析时就要多一重判断,又降低一点性能。最后采用的压缩方案,要在硬盘空间的减少和CPU的消耗中取得某种平衡。如果一味地追求压缩率(比如使用zip压缩算法),空间是降低得更多,但CPU时间将会超过硬盘时间,整体性能反而下降。

不过,无论如何,二进制文件仍然是最快的存储格式。采用简单压缩方案的二进制文件,即使同样采用行式存储,一般也能达到比文本高4-5倍的性能。使用二进制格式,还有可能使用前面文章中提到过的分段并行技术和列存技术,从而获得更高的性能。

更多《数据蒋堂》文章