numpy.memmap：虚假的内存分配

Question

我有一个python3 脚本，它与numpy.memmap 数组一起运行。它将一个数组写入位于/tmp的新生成的临时文件中：

import numpy, tempfile

size = 2 ** 37 * 10
tmp = tempfile.NamedTemporaryFile('w+')
array = numpy.memmap(tmp.name, dtype = 'i8', mode = 'w+', shape = size)
array[0] = 666
array[size-1] = 777
del array
array2 = numpy.memmap(tmp.name, dtype = 'i8', mode = 'r+', shape = size)
print('File: {}. Array size: {}. First cell value: {}. Last cell value: {}'.\
      format(tmp.name, len(array2), array2[0], array2[size-1]))
while True:
    pass

硬盘的大小只有 250G。尽管如此，它还是能以某种方式在/tmp 中生成10T 的大文件，并且对应的数组似乎仍然可以访问。脚本的输出如下：

File: /tmp/tmptjfwy8nr. Array size: 1374389534720. First cell value: 666. Last cell value: 777

文件确实存在，显示为10T大：

$ ls -l /tmp/tmptjfwy8nr
-rw------- 1 user user 10995116277760 Dec  1 15:50 /tmp/tmptjfwy8nr

但是，/tmp 的整体大小要小得多：

$ df -h /tmp
Filesystem      Size  Used Avail Use% Mounted on
/dev/sda1       235G  5.3G  218G   3% /

进程也是假装使用10T虚拟内存，这也是不可能的。 top 命令的输出：

  PID USER      PR  NI    VIRT    RES    SHR S  %CPU %MEM     TIME+ COMMAND 
31622 user      20   0 10.000t  16592   4600 R 100.0  0.0   0:45.63 python3

据我了解，这意味着在调用numpy.memmap 期间，未分配整个数组所需的内存，因此显示的文件大小是虚假的。这反过来意味着，当我开始逐渐用我的数据填充整个数组时，有时我的程序会崩溃或我的数据会损坏。

确实，如果我在我的代码中引入以下内容：

for i in range(size):
    array[i] = i

一段时间后我得到了错误：

Bus error (core dumped)

所以，问题来了：一开始如何检查，如果真的有足够的内存来存储数据，然后确实为整个数组保留空间？

Answer 1

您正在生成 10 TB 文件这一事实并没有什么“虚假”

您要求的数组大小

2 ** 37 * 10 = 1374389534720 个元素

'i8' 的 dtype 表示 8 字节（64 位）整数，因此您的最终数组的大小为

1374389534720 * 8 = 10995116277760 字节

或

10995116277760 / 1E12 = 10.99511627776 TB

---

如果您只有 250 GB 的可用磁盘空间，那么如何创建“10 TB”文件？

假设您使用的是相当现代的文件系统，您的操作系统将能够生成几乎任意大的sparse files，无论您是否实际上有足够的物理磁盘空间来支持它们。

例如，在我的 Linux 机器上，我可以这样做：

# I only have about 50GB of free space...
~$ df -h /
Filesystem     Type  Size  Used Avail Use% Mounted on
/dev/sdb1      ext4  459G  383G   53G  88% /

~$ dd if=/dev/zero of=sparsefile bs=1 count=0 seek=10T
0+0 records in
0+0 records out
0 bytes (0 B) copied, 0.000236933 s, 0.0 kB/s

# ...but I can still generate a sparse file that reports its size as 10 TB
~$ ls -lah sparsefile
-rw-rw-r-- 1 alistair alistair 10T Dec  1 21:17 sparsefile

# however, this file uses zero bytes of "actual" disk space
~$ du -h sparsefile
0       sparsefile

在您的np.memmap 文件初始化后尝试调用du -h 以查看它使用了多少实际磁盘空间。

当您开始将数据实际写入您的np.memmap 文件时，一切都会正常，直到您超出存储的物理容量，此时该过程将以Bus error 终止。这意味着如果您需要向 np.memmap 数组写入

---

一个进程怎么可能使用 10 TB 的虚拟内存？

当您创建memory map 时，内核会在调用进程的虚拟地址空间内分配一个新的地址块，并将它们映射到您磁盘上的文件中。因此，您的 Python 进程正在使用的虚拟内存量将随着刚刚创建的文件的大小而增加。由于文件也可以是稀疏文件，因此虚拟内存不仅可以超过可用 RAM 的总量，而且还可以超过您机器上的总物理磁盘空间。

---

如何检查是否有足够的磁盘空间来存储完整的np.memmap 数组？

我假设您想在 Python 中以编程方式执行此操作。

1. 获取可用的可用磁盘空间量。 this previous SO question 的答案中给出了各种方法。一种选择是os.statvfs：

   import os
   
   def get_free_bytes(path='/'):
       st = os.statvfs(path)
       return st.f_bavail * st.f_bsize
   
   print(get_free_bytes())
   # 56224485376
   

2. 计算数组的大小（以字节为单位）：

   import numpy as np
   
   def check_asize_bytes(shape, dtype):
       return np.prod(shape) * np.dtype(dtype).itemsize
   
   print(check_asize_bytes((2 ** 37 * 10,), 'i8'))
   # 10995116277760
   

3. 检查是否为2.> 1.

---

更新：是否有一种“安全”的方式来分配np.memmap 文件，以保证保留足够的磁盘空间来存储整个阵列？

一种可能是使用fallocate 预先分配磁盘空间，例如：

~$ fallocate -l 1G bigfile

~$ du -h bigfile
1.1G    bigfile

您可以从 Python 调用它，例如使用 subprocess.check_call:

import subprocess

def fallocate(fname, length):
    return subprocess.check_call(['fallocate', '-l', str(length), fname])

def safe_memmap_alloc(fname, dtype, shape, *args, **kwargs):
    nbytes = np.prod(shape) * np.dtype(dtype).itemsize
    fallocate(fname, nbytes)
    return np.memmap(fname, dtype, *args, shape=shape, **kwargs)

mmap = safe_memmap_alloc('test.mmap', np.int64, (1024, 1024))

print(mmap.nbytes / 1E6)
# 8.388608

print(subprocess.check_output(['du', '-h', 'test.mmap']))
# 8.0M    test.mmap

我不知道使用标准库执行此操作的独立于平台的方法，但有一个 fallocate Python module on PyPI 应该适用于任何基于 Posix 的操作系统。

Answer 2

基于@ali_m 的回答，我终于找到了这个解决方案：

# must be called with the argumant marking array size in GB
import sys, numpy, tempfile, subprocess

size = (2 ** 27) * int(sys.argv[1])
tmp_primary = tempfile.NamedTemporaryFile('w+')
array = numpy.memmap(tmp_primary.name, dtype = 'i8', mode = 'w+', shape = size)
tmp = tempfile.NamedTemporaryFile('w+')
check = subprocess.Popen(['cp', '--sparse=never', tmp_primary.name, tmp.name])
stdout, stderr = check.communicate()
if stderr:
    sys.stderr.write(stderr.decode('utf-8'))
    sys.exit(1)
del array
tmp_primary.close()
array = numpy.memmap(tmp.name, dtype = 'i8', mode = 'r+', shape = size)
array[0] = 666
array[size-1] = 777
print('File: {}. Array size: {}. First cell value: {}. Last cell value: {}'.\
      format(tmp.name, len(array), array[0], array[size-1]))
while True:
    pass

这个想法是将最初生成的稀疏文件复制到一个新的普通文件。为此，cp 使用了选项--sparse=never。

当使用可管理的大小参数（例如 1 GB）调用脚本时，数组将被映射到非稀疏文件。 du -h 命令的输出证实了这一点，该命令现在显示 ~1 GB 大小。如果内存不够，脚本会退出并报错：

cp: ‘/tmp/tmps_thxud2’: write failed: No space left on device