为什么遍历大型Django QuerySet会消耗大量内存?

内特C很接近,但不是很接近。

从 the docs :

可以通过以下方式计算QuerySet:

• 迭代。QuerySet是iterable,当您第一次遍历它时,它会执行它的数据库查询。例如,这将打印数据库中所有条目的标题:

  for e in Entry.objects.all():
      print e.headline
  

因此,当您第一次进入该循环并获得queryset的迭代形式时,将同时检索您的1000万行。您所经历的等待是Django加载数据库行并为每个行创建对象,然后返回一些您可以实际迭代的内容。然后你就把所有的事情都记在记忆里了,结果就出来了。

从我对文件的阅读来看, iterator() 只不过是绕过QuerySet的内部缓存机制。我认为一件一件地做一件事是有意义的,但反过来,这将需要你的数据库上的一千万个人点击。也许不是那么令人满意。

高效地迭代大型数据集是我们还没有完全解决的问题,但是有一些片段可能对您的目的很有用:

• Memory Efficient Django QuerySet iterator
• batch querysets
• QuerySet Foreach

可能不是最快或最有效的,但作为现成的解决方案,为什么不使用这里记录的django core的Paginator和Page对象:

https://docs.djangoproject.com/en/dev/topics/pagination/

像这样的:

from django.core.paginator import Paginator
from djangoapp.models import model

paginator = Paginator(model.objects.all(), 1000) # chunks of 1000, you can 
                                                 # change this to desired chunk size

for page in range(1, paginator.num_pages + 1):
    for row in paginator.page(page).object_list:
        # here you can do whatever you want with the row
    print "done processing page %s" % page

Django的默认行为是在查询求值时缓存QuerySet的整个结果。您可以使用QuerySet的迭代器方法来避免这种缓存:

for event in Event.objects.all().iterator():
    print event

https://docs.djangoproject.com/en/dev/ref/models/querysets/#iterator

迭代器()方法计算queryset,然后直接读取结果,而不在queryset级别进行缓存。这种方法在遍历大量只需访问一次的对象时,可以获得更好的性能和显著的内存减少。请注意,缓存仍在数据库级别进行。

使用iterator()可以减少内存使用,但仍然比我预期的要高。使用mpaf建议的paginator方法占用的内存要少得多,但是对于我的测试用例来说要慢2-3倍。

from django.core.paginator import Paginator

def chunked_iterator(queryset, chunk_size=10000):
    paginator = Paginator(queryset, chunk_size)
    for page in range(1, paginator.num_pages + 1):
        for obj in paginator.page(page).object_list:
            yield obj

for event in chunked_iterator(Event.objects.all()):
    print event

这是来自文档: http://docs.djangoproject.com/en/dev/ref/models/querysets/

在对queryset进行求值之前,实际上不会发生数据库活动。

所以当 print event 运行查询激发(这是根据您的命令执行的完整表扫描)并加载结果。你要求所有的东西,如果没有得到所有的东西就没有办法得到第一个。

但如果你这样做:

Event.objects.all()[300:900]

http://docs.djangoproject.com/en/dev/topics/db/queries/#limiting-querysets

然后它将在内部向sql添加偏移量和限制。

对于大量的记录 database cursor 表现更好。在Django中确实需要原始SQL,Django游标不同于SQL游标。

Nate C建议的极限偏移方法可能适合您的情况。对于大量数据,它比游标慢,因为它必须一遍又一遍地运行同一个查询,并且必须跳过越来越多的结果。

Django在从数据库获取大型项方面没有很好的解决方案。

import gc
# Get the events in reverse order
eids = Event.objects.order_by("-id").values_list("id", flat=True)

for index, eid in enumerate(eids):
    event = Event.object.get(id=eid)
    # do necessary work with event
    if index % 100 == 0:
       gc.collect()
       print("completed 100 items")

values_list 可用于获取数据库中的所有ID,然后分别获取每个对象。在一段时间内,大对象将被创建在内存中,不会被垃圾收集TIL退出循环。上面的代码在每100个项目被消耗后进行手动垃圾收集。

因为这样一来,整个queryset的对象会同时加载到内存中。你需要把你的查询集分成可消化的小块。这样做的模式称为勺送。下面是一个简短的实现。

def spoonfeed(qs, func, chunk=1000, start=0):
    ''' Chunk up a large queryset and run func on each item.

    Works with automatic primary key fields.

    chunk -- how many objects to take on at once
    start -- PK to start from

    >>> spoonfeed(Spam.objects.all(), nom_nom)
    '''
    while start < qs.order_by('pk').last().pk:
        for o in qs.filter(pk__gt=start, pk__lte=start+chunk):
            yeild func(o)
        start += chunk

要使用此功能,请编写对对象执行操作的函数:

def set_population_density(town):
    town.population_density = calculate_population_density(...)
    town.save()

然后在queryset上运行该函数:

spoonfeed(Town.objects.all(), set_population_density)

这可以通过执行多处理进一步改进 func 在多个平行对象上。

这里有一个包括len和count的解决方案:

class GeneratorWithLen(object):
    """
    Generator that includes len and count for given queryset
    """
    def __init__(self, generator, length):
        self.generator = generator
        self.length = length

    def __len__(self):
        return self.length

    def __iter__(self):
        return self.generator

    def __getitem__(self, item):
        return self.generator.__getitem__(item)

    def next(self):
        return next(self.generator)

    def count(self):
        return self.__len__()

def batch(queryset, batch_size=1024):
    """
    returns a generator that does not cache results on the QuerySet
    Aimed to use with expected HUGE/ENORMOUS data sets, no caching, no memory used more than batch_size

    :param batch_size: Size for the maximum chunk of data in memory
    :return: generator
    """
    total = queryset.count()

    def batch_qs(_qs, _batch_size=batch_size):
        """
        Returns a (start, end, total, queryset) tuple for each batch in the given
        queryset.
        """
        for start in range(0, total, _batch_size):
            end = min(start + _batch_size, total)
            yield (start, end, total, _qs[start:end])

    def generate_items():
        queryset.order_by()  # Clearing... ordering by id if PK autoincremental
        for start, end, total, qs in batch_qs(queryset):
            for item in qs:
                yield item

    return GeneratorWithLen(generate_items(), total)

用法:

events = batch(Event.objects.all())
len(events) == events.count()
for event in events:
    # Do something with the Event

对于此类任务,我通常使用原始MySQL原始查询而不是Django ORM。

MySQL支持流模式,因此我们可以安全、快速地遍历所有记录,而不会出现内存不足错误。

import MySQLdb
db_config = {}  # config your db here
connection = MySQLdb.connect(
        host=db_config['HOST'], user=db_config['USER'],
        port=int(db_config['PORT']), passwd=db_config['PASSWORD'], db=db_config['NAME'])
cursor = MySQLdb.cursors.SSCursor(connection)  # SSCursor for streaming mode
cursor.execute("SELECT * FROM event")
while True:
    record = cursor.fetchone()
    if record is None:
        break
    # Do something with record here

cursor.close()
connection.close()

裁判:

1. Retrieving million of rows from MySQL
2. How does MySQL result set streaming perform vs fetching the whole JDBC ResultSet at once