h5db 0.1.2

利用h5来做一个分布式的kv磁盘存储工具

安装

pip install -U h5db

目前测试版本为python3，python2不支持

入门

读写数据

例如需要储存和读取下面一个词典

import h5db
import numpy as np


# make sure save_dir exist
save_dir = './data'
save_dat = [['1', np.random.random([10, 1024])], ['2', np.random.random([4, 1024])]]
h5db.simple_add(save_dir, save_dat)
print(h5db.simple_search(save_dir, ['1', '2']))

说明

1. h5db默认使用简单hash函数将key分成100个部分，存储到100个对应的h5文件，搜索的时候会同时开启100个进程进行搜索，最后返回一个dict类型: {key: value}, 如果没有搜索到，则value是None；

2. 对于可以转换成int的类型的key, 默认的hash函数为 int(key) % 100, 对于str类型的key，默认用其sha1值的10位数 % 100；

3. 目前主要支持{str: np.ndarray} 和 {str: str}这两种数据类型，其他复杂类型未测试

详细用法

主要的类是H5

class H5:
    '''
    H5DB的类
    save_dir: h5文件储存目录
    logger_path: logger储存目录
    l1_size: 一级分类个数
    l2_size: 二级分类个数（h5文件中的groups)
    hash_l1: 可以自定义一级hash函数
    hash_l2：可以自定义二级hash函数
    '''

    def __init__(self,
                 save_dir: str = None,
                 logger_path: str = None,
                 l1_size: int = 100,
                 l2_size: int = 2000,
                 hash_l1: callable = None,
                 hash_l2: callable = None):

可以自定义key的hash函数，也可以使用默认的hash函数，默认的hash函数可以见gen_mod_hash和gen_mod_hash_shift

主要作用的两个函数

插入数据

def multiple_file_add(self,
                      data_pairs: list,
                      save_prefix: str = 'part.',
                      replacement: bool = False):

data_pairs：[k, v]对的list replacement：遇到重复的key，value对，是否进行覆盖

搜索数据

def search(self,
           vids: list,
           save_prefix: str = 'part.',
           max_parallel: int = None):

save_prefix必须与插入数据时候设定的prefix一致

max_parallel最高的并发数量，注意到本身是多文件存储的，因此最低并发数是初始化类时的l1_size，注意当io是瓶颈时，继续增大max_parallel并不会加快搜索速度

默认使用multiprocessing.Manager.dict进行多进程沟通，也可以自己修改代码使用其他框架。

一个基础例子

from h5db import H5
import json

h5 = H5(save_dir='./data',
        l1_size=10)

file_to_save = {'1': {'name': 'lr', 'age': 27},
                '2': {'attr': 'cd', 'attr-2': 26.5},}

# 注意到这里必须转换成str类型，dict类型不支持
file_to_save = [[k, json.dumps(v)] for k, v in file_to_save.items()]
h5.multiple_file_add(file_to_save)
print(h5.search(['1', '2', '3']))

输出

11/26/2020 19:40:01-INFO-Filename ./data/part.1.h5 will write 1 lines
11/26/2020 19:40:01-INFO-Filename ./data/part.2.h5 will write 1 lines
11/26/2020 19:40:01-INFO-dumping vids to idx.bin
11/26/2020 19:40:01-INFO-all Processes finished!
[('1', b'{"name": "lr", "age": 27}'), ('2', b'{"attr": "cd", "attr-2": 26.5}')]