读取并绘制从大文件中读取的数据

我们有相当大的文件，大约为 1-1.5 GB（主要是日志文件），其中包含易于解析为 csv 的原始数据，随后应该将其绘制成图表以生成一组图形图像。

目前，我们正在使用 bash 脚本将原始数据转换为 csv 文件，其中仅包含需要绘制图表的数字，然后将其输入到 gnuplot 脚本中。但这个过程极其缓慢。我尝试通过替换一些管道来加速 bash 脚本cuts, trs等与一个单一的awk命令，虽然这样提高了速度，但是整个事情还是很慢。

所以，我开始相信这个过程有更好的工具。我目前正在考虑用 python+numpy 或 R 重写这个过程。我的一个朋友建议使用 JVM，如果我要这样做，我将使用 clojure，但我不确定 JVM 将如何执行。

我在处理此类问题方面没有太多经验，因此任何有关如何进行的建议都会很好。谢谢。

Edit:另外，我想存储（到磁盘）生成的中间数据，即 csv，所以我不必重新生成它，如果我选择我想要一个不同的图形。

Edit 2:原始数据文件每行一条记录，各字段之间用分隔符 (|）。并非所有字段都是数字。我在输出 csv 中需要的每个字段都是通过对输入记录应用特定公式获得的，该公式可能使用输入数据中的多个字段。输出 csv 每行有 3-4 个字段，我需要在（可能是）条形图中绘制 1-2、1-3、1-4 个字段的图表。我希望这能提供更好的图片。

Edit 3:我对@adirau 的脚本做了一些修改，看起来效果很好。我已经走得足够远了，我正在读取数据，发送到处理器线程池（伪处理，将线程名称附加到数据），然后通过另一个将其聚合到输出文件中集电极 thread.

PS：我不太清楚这个问题的标签，欢迎指正。

python 听起来是一个不错的选择，因为它有一个很好的线程 API（尽管实现有问题）、matplotlib 和 pylab。我错过了您的更多规格，但这也许对您来说是一个很好的起点：matplotlib：使用线程异步绘图 https://www.esclab.tw/wiki/index.php/Matplotlib#Asynchronous_plotting_with_threads。 我会选择一个线程来处理批量磁盘 I/O 读取，并将队列同步到线程池进行数据处理（如果您有固定的记录长度，通过预先计算读取偏移量并将偏移量传递到线程池，事情可能会变得更快） ;使用diskio线程，我将映射数据源文件，读取预定义的num字节+再读取一次，以最终获取当前数据源行输入末尾的最后一个字节；应选择接近平均行输入长度的 numbytes；接下来是通过队列进行池馈送以及在线程池中进行的数据处理/绘图；我这里没有很好的图片（您到底在绘制什么），但我希望这会有所帮助。

编辑：有 file.readlines([sizehint]) 可以一次抓取多行；好吧，它可能不会那么快，因为文档说它在内部使用 readline()

编辑：快速骨架代码

import threading
from collections import deque
import sys
import mmap


class processor(Thread):
    """
        processor gets a batch of data at time from the diskio thread
    """
    def __init__(self,q):
        Thread.__init__(self,name="plotter")
        self._queue = q
    def run(self):
        #get batched data 
        while True:
            #we wait for a batch
            dataloop = self.feed(self._queue.get())
            try:
                while True:
                    self.plot(dataloop.next())
            except StopIteration:
                pass
            #sanitizer exceptions following, maybe

    def parseline(self,line):
        """ return a data struct ready for plotting """
        raise NotImplementedError

    def feed(self,databuf):
        #we yield one-at-time datastruct ready-to-go for plotting
        for line in databuf:
            yield self.parseline(line)

    def plot(self,data):
        """integrate
        https://www.esclab.tw/wiki/index.php/Matplotlib#Asynchronous_plotting_with_threads
        maybe
        """
class sharedq(object):
    """i dont recall where i got this implementation from 
    you may write a better one"""
    def __init__(self,maxsize=8192):
        self.queue = deque()
        self.barrier = threading.RLock()
        self.read_c = threading.Condition(self.barrier)
        self.write_c = threading.Condition(self.barrier)
        self.msz = maxsize
    def put(self,item):
        self.barrier.acquire()
        while len(self.queue) >= self.msz:
            self.write_c.wait()
        self.queue.append(item)
        self.read_c.notify()
        self.barrier.release()
    def get(self):
        self.barrier.acquire()
        while not self.queue:
            self.read_c.wait()
        item = self.queue.popleft()
        self.write_c.notify()
        self.barrier.release()
        return item



q = sharedq()
#sizehint for readine lines
numbytes=1024
for i in xrange(8):
    p = processor(q)
    p.start()
for fn in sys.argv[1:]
    with open(fn, "r+b") as f:
        #you may want a better sizehint here
        map = mmap.mmap(f.fileno(), 0)
        #insert a loop here, i forgot
        q.put(map.readlines(numbytes))

#some cleanup code may be desirable