怎么在Python中通过mmap高效映射并解析超大二进制文件

小萱君_6975

小萱君_6975

2026-11-20

107人浏览

原创

mmap 比 open().read() 快因按需映射、避免全量内存拷贝;但需校验文件大小、正确设置 access 参数、注意结构体对齐及偏移计算,否则易越界或解析错位。

怎么在python中通过mmap高效映射并解析超大二进制文件

为什么直接用 mmap 读超大二进制文件比 open().read() 快

因为 mmap 不把整个文件加载进内存,而是让操作系统按需将文件页映射到进程虚拟地址空间。对几十 GB 的二进制日志或科学数据文件,read() 会触发大量内存分配和拷贝,而 mmap 只建立映射关系,访问时才发生缺页中断——真正省的是物理内存和初始化时间。

但要注意:这不是“无代价”的加速。如果随机跳转访问过于稀疏(比如每次只读 1 字节、间隔几 MB),反而可能因频繁缺页拖慢;它最适合块状、局部、重复扫描的场景。

mmap.mmap 初始化时必须设对 access 参数

常见错误是默认用 access=mmap.ACCESS_READ 却想用 struct.unpack_from 解析含指针偏移的数据结构——这本身没问题;但如果文件里有可变长字段(如以 \0 结尾的字符串)、或你需要跳过 padding 对齐字节,就容易越界读到未映射区域,抛出 ValueError: mmap offset is greater than file size 或直接 SegmentationFault(尤其在 Windows 上)。

  • 务必先用 os.path.getsize(filepath) 校验文件长度,传给 mmap.mmap(fd, length=..., access=...) 的 length 不能超过它
  • 若需写入(如打标记、修复头信息),必须用 access=mmap.ACCESS_WRITE,且打开文件时得用 open(..., "r+b"),只读模式下写会报 PermissionError
  • 在 Linux 上,ACCESS_COPY 很少用——它创建私有写时复制副本,但无法反映原文件变更,调试时容易误判数据新鲜度

用 struct.unpack_from 解析结构体时,偏移计算必须严格对齐

mmap 对象支持切片(如 mm[0x1000:0x1000+16]),但频繁切片会生成新 bytes 对象,失去零拷贝优势。更高效的方式是固定缓冲区 + struct.unpack_from(buf, offset),其中 buf 就是 mmap 实例本身。

关键陷阱在于 C struct 的内存对齐。比如定义了 struct.pack("I B", 0x12345678, 0xFF),实际占 8 字节(I 是 4 字节,B 是 1 字节,但编译器默认按 4 字节对齐,补 3 字节 padding)。若你按“4+1=5”算偏移,后续所有解析都会错位。

  • 用 struct.calcsize(fmt) 获取真实打包长度,而不是手动加总
  • 不确定对齐方式时,在格式字符串开头加 =(标准大小/无对齐)或 @(原生对齐),例如 "=IB" 强制按字节紧排
  • 解析前先检查 offset + struct.calcsize(fmt) ,避免 struct.error: unpack_from requires a buffer of at least ... bytes

关闭 mmap 不能只靠 del mm,得显式调用 close()

Python 的 mmap 对象不遵循 RAII,del 或作用域退出不会自动释放映射。尤其在循环处理多个大文件时,不 close() 会导致 OSError: [Errno 24] Too many open files(Linux 默认限制 1024 个 fd),或者 Windows 下提示 “The process cannot access the file because it is being used by another process”。

在清理重构之前使用 Vulture 查找未使用的 Python 代码
在清理重构之前使用 Vulture 查找未使用的 Python 代码

在重构之前对Python代码库运行死代码检测,以便智能体能够标记未使用的函数、类、导入和变量,而不是盲目删除。

下载

正确姿势是用 with 语句或确保 finally 块中调用 mm.close()。注意:关闭后 mmap 对象不可再访问,但底层文件描述符(fd)仍需单独 os.close(fd) ——除非你是用 open() 返回的 file object 构造的 mmap(此时 file.close() 会一并关掉 mmap)。

最简稳妥写法:

with open(filepath, "rb") as f:
    with mmap.mmap(f.fileno(), 0, access=mmap.ACCESS_READ) as mm:
        # 解析逻辑
        header = struct.unpack_from("=IHH", mm, 0)

这里两个 with 嵌套,既保 mmap 安全释放,又让文件自动关闭。

跨平台兼容性上,Windows 要求 mmap 长度不能为 0,所以用 0 表示“映射整个文件”时,得先 os.stat 拿真实大小;而 Linux 允许,但写成显式长度更可靠。

Python免费学习笔记(深入):立即使用
在学习笔记中,你将探索 Python 的核心概念和高级技巧!

相关文章

PHP速学视频免费教程(入门到精通)
PHP速学视频免费教程(入门到精通)

PHP怎么学习?PHP怎么入门?PHP在哪学?PHP怎么学才快?不用担心,这里为大家提供了PHP速学教程(入门到精通),有需要的小伙伴保存下载就能学习啦!

下载

相关标签:

python 二进制

本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn

相关专题

更多
python打包成可执行文件
python打包成可执行文件

本专题为大家带来python打包成可执行文件相关的文章,大家可以免费的下载体验。

2023.07.20

1971

4

python能做什么
python能做什么

python能做的有:可用于开发基于控制台的应用程序、多媒体部分开发、用于开发基于Web的应用程序、使用python处理数据、系统编程等等。本专题为大家提供python相关的各种文章、以及下载和课程。

2023.07.25

5604

7

format在python中的用法
format在python中的用法

Python中的format是一种字符串格式化方法,用于将变量或值插入到字符串中的占位符位置。通过format方法,我们可以动态地构建字符串,使其包含不同值。php中文网给大家带来了相关的教程以及文章,欢迎大家前来阅读学习。

2023.07.31

1909

3

python教程
python教程

Python已成为一门网红语言,即使是在非编程开发者当中,也掀起了一股学习的热潮。本专题为大家带来python教程的相关文章,大家可以免费体验学习。

2023.08.03

34257

23

python环境变量的配置
python环境变量的配置

Python是一种流行的编程语言,被广泛用于软件开发、数据分析和科学计算等领域。在安装Python之后,我们需要配置环境变量,以便在任何位置都能够访问Python的可执行文件。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.04

4007

5

python eval
python eval

eval函数是Python中一个非常强大的函数,它可以将字符串作为Python代码进行执行,实现动态编程的效果。然而,由于其潜在的安全风险和性能问题,需要谨慎使用。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.04

4007

5

scratch和python区别
scratch和python区别

scratch和python的区别:1、scratch是一种专为初学者设计的图形化编程语言,python是一种文本编程语言;2、scratch使用的是基于积木的编程语法,python采用更加传统的文本编程语法等等。本专题为大家提供scratch和python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

1303

5

python合并两个列表
python合并两个列表

Python是一种强大的编程语言,具有许多方便的功能和工具。在Python中,有多种方法可以合并两个列表。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.10

636

4

python是前端还是后端
python是前端还是后端

Python属于前端也属于后端,其灵活性和丰富的生态系统使得开发人员能够在不同的领域中灵活运用。本专题为大家提供python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

3123

5

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
相关推荐
/
热门推荐
/
最新课程