python 读取二进制文件的速度

[raiz]

我需要从 .wav 读取 pcm 数据，一开始使用 open() 直接打开文件，然后 read() 每次读一个样本，
测试一个 5.49M 文件， 时长 29s, 的文件，读到结尾，花了 1850 ms, 如果要处理数据。
能否通过先全部读到内存来加速， BytesIO 似乎只做这个事的， 但是我不知道它把文件读到内存是一次性的还是怎样，需要多少时间，测试花的时间差不多

from io import BytesIO
import time


if __name__ == '__main__':
    with open('1875.wav', 'rb') as raw_file:
        ①# file = raw_file            # 这句是直接从文件读取的方式 
        ②file = BytesIO(raw_file.read())   # 这句是用了 BytesIO  
        start_time = time.time()
        buff = []
        while True:
            byte = file.read(1)
            if byte:
                buff.append(byte)
            else:
                break

        end_time = time.time() 
        print(' time using: ', (end_time - start_time) * 1000, 'msec')

使用①的情况下 time using: 1862.1060848236084 msec
使用①的情况下 time using: 1743.0999279022217 msec
时间时有浮动的
所以我想知道， ByteIO 是怎样工作的， 它能达到我的目的吗？

[raiz]

@raiz
使用①的情况下 time using: 1862.1060848236084 msec
使用②的情况下 time using: 1743.0999279022217 msec

[waklin]

你用的二进制方式打开的文件，直接调用 raw_file.read()就已经将文件读入到内存中了。

# -*- coding: utf-8 -*-

import time
if __name__ == '__main__':
with open('TenMiLines-small.csv', 'rb') as raw_file:
start_time = time.time()
buff = raw_file.read()
for b in buff:
# print repr(b)
# b 就是你所说的一个样本
pass
end_time = time.time()
print(' time using: ', (end_time - start_time) * 1000, 'msec')

[waklin]

把 open 的文件换成 1875.wav

[raiz]

@waklin hey 谢谢， 我知道 raw_file.read() 是读到内存，但是注意我的 start_time = time.time() 是放在它之后的，我是想测试从 BytesIo 读取的速度与 从 raw_file 的比较。

[waklin]

1. 你的第一个帖子里提到你处理 5.49M 的文件总共花了 29m ，读到结尾，花了 1850 ms ，如果我理解的没有错，现在你想提高的是 1850ms 的时间
2. 一个 10M 的文件我用我给出的代码的 file.read()到 buff 里，然后遍历 buff 仅花了 50ms 左右，不知道你的 1850ms 是怎么回事
3. BytesIO 和 raw_file 区别
BytesIO 维护的一段内存中的数据， read 的话，仅操作内存
raw_file 相当于一个文件游标， read 的话，是从硬盘上读取
理论上访问硬盘的速度会低于访问内存的速度，但是由于现在硬盘都会有单独的缓存，读取的数据不是很大时，差别不明显。

[xylophone21]

仅看代码，第一怀疑 buff.append(byte)这句，没验证。

[xylophone21]

看错了，请忽略我上面的帖子。。

[mengzhuo]

mark 目测需要流式处理

[WKPlus]

我的理解 BytesIO 的用法和 StringIO 类似，是用来提供类似文件操作一样的接口来操作内存中的 bytes 和 string 的，而不是用来全部读到内存来加速的。

你原来的程序比较慢，估计是 file.read(1)引起的，每次只读一个字节干那要循环多少次？

[ryd994]

差别不会太大的，操作系统有缓存
可以考虑 os.posix_fadvise ，可能会更好， POSIX_FADV_SEQUENTIAL

[ryanking8215]

class io.BytesIO([initial_bytes])
A stream implementation using an in-memory bytes buffer.

raw_file 是文件流，如果 open 时如果是 rb 的， buffering=-1 的，则使用内置的 chunked buffer ，这是针对你参数的结果。

从 file.read(1)上看，都是从 file 流里取 1 个字节。从效率上看， BytesIO 是内存访问， raw_file 是 buffer+Filesystem io 的结果，所以貌似慢一点。

但这都不是正确的打开方式，要效率高就要 chunk 读，减少 FS IO 和循环次数。 BytesIO 更大的意义在抽象层次上， fs 和 buffer 都能通过 file io 访问，是不是 test 的时候简单一点？

如果错误请指正，欢迎探讨。 -)

[raiz]

@ryanking8215 你说的几个点应该是导致两者时间接近的原因， 默认的 fs 是有 buffer 的，而我每次只读一个 字节 ，所以那个 buffer 是够用的，所以下限不再是文件系统 io 的速度，而是在内存总遍历所有字节的速度。 说到正确的打开方式， 比如说 photoshop , 打开图片，或 audition 打开一个音频文件，应该是整一个读到内存中的吧，策略是怎样的呢？

[ryanking8215]

@raiz 这要看具体应用啊，比如图片，要显示总是需要全部的数据。比如音频视频，文件很大，播放是流的方式，只需要分片取，不需要全部数据都进 memory

[matthewgao]

我和 @ryanking8215 的意见一样。

我觉得也没有必要这么做，在你的程序里通过文件流还是 ByteIO 基本上等于没有区别

如果文件很大不可能都读到内存中来，如果你内存只有 2G ，那么 4G 的电影肿么打开， swap 到死啊。。

还是根据需求吧，如果你真的文件很小，那么你索性就一次性都读进来，循环都不用