python如何使用100多行代碼寫一個(gè)數(shù)據(jù)庫(kù)

這篇文章主要介紹了python如何使用100多行代碼寫一個(gè)數(shù)據(jù)庫(kù)，具有一定借鑒價(jià)值，需要的朋友可以參考下。希望大家閱讀完這篇文章后大有收獲。下面讓小編帶著大家一起了解一下。

數(shù)據(jù)庫(kù)的名字叫WawaDB，是用python實(shí)現(xiàn)的。由此可見python是灰常強(qiáng)大啊！

簡(jiǎn)介

記錄日志的需求一般是這樣的：

只追加，不修改，寫入按時(shí)間順序?qū)懭耄?/p>

大量寫，少量讀，查詢一般查詢一個(gè)時(shí)間段的數(shù)據(jù)；

MongoDB的固定集合很好的滿足了這個(gè)需求，但是MongoDB占內(nèi)存比較大，有點(diǎn)兒火穿蚊子，小題大做的感覺。

WawaDB的思路是每寫入1000條日志，在一個(gè)索引文件里記錄下當(dāng)前的時(shí)間和日志文件的偏移量。

然后按時(shí)間詢?nèi)罩緯r(shí)，先把索引加載到內(nèi)存中，用二分法查出時(shí)間點(diǎn)的偏移量，再打開日志文件seek到指定位置，這樣就能很快定位用戶需要的數(shù)據(jù)并讀取，而不需要遍歷整個(gè)日志文件。

性能

Core 2 P8400,2.26GHZ,2G內(nèi)存，32 bit win7

寫入測(cè)試：

模擬1分鐘寫入10000條數(shù)據(jù)，共寫入5個(gè)小時(shí)的數(shù)據(jù)， 插入300萬條數(shù)據(jù)，每條數(shù)據(jù)54個(gè)字符，用時(shí)2分51秒

讀取測(cè)試:讀取指定時(shí)間段內(nèi)包含某個(gè)子串的日志

數(shù)據(jù)范圍 遍歷數(shù)據(jù)量 結(jié)果數(shù) 用時(shí)（秒）

5小時(shí) 300萬 604 6.6

2小時(shí) 120萬 225 2.7

1小時(shí) 60萬 96 1.3

30分鐘 30萬 44 0.6

索引

只對(duì)日志記錄的時(shí)間做索引， 簡(jiǎn)介里大概說了下索引的實(shí)現(xiàn)，二分查找肯定沒B Tree效率高，但一般情況下也差不了一個(gè)數(shù)量級(jí)，而且實(shí)現(xiàn)特別簡(jiǎn)單。

因?yàn)槭窍∈杷饕?，并不是每條日志都有索引記錄它的偏移量，所以讀取數(shù)據(jù)時(shí)要往前多讀一些數(shù)據(jù)，防止漏讀，等讀到真正所需的數(shù)據(jù)時(shí)再真正給用戶返回?cái)?shù)據(jù)。

如下圖，比如用戶要讀取25到43的日志，用二分法找25，找到的是30所在的點(diǎn)，

索引：0         10        20        30        40        50 日志：|.........|.........|.........|.........|.........|>>>a = [0, 10, 20, 30, 40, 50]>>>bisect.bisect_left(a, 35)>>>3>>>a[3]>>>30>>>bisect.bisect_left(a, 43)>>>5>>>a[5]>>>50

所以我們要往前倒一些，從20（30的前一個(gè)刻度）開始讀取日志，21，22，23，24讀取后因?yàn)楸?5小，所以扔掉, 讀到25,26,27,...后返回給用戶

讀取到40（50的前一個(gè)刻度）后就要判斷當(dāng)前數(shù)據(jù)是否大于43了，如果大于43（返回全開區(qū)間的數(shù)據(jù)），就要停止讀了。

整體下來我們只操作了大文件的很少一部分就得到了用戶想要的數(shù)據(jù)。

緩沖區(qū)

為了減少寫入日志時(shí)大量的磁盤寫，索引在append日志時(shí)，把buffer設(shè)置成了10k，系統(tǒng)默認(rèn)應(yīng)該是4k。

同理，為了提高讀取日志的效率，讀取的buffer也設(shè)置了10k，也需要根據(jù)你日志的大小做適當(dāng)調(diào)整。

索引的讀寫設(shè)置成了行buffer，每滿一行都要flush到磁盤上，防止讀到不完整的索引行（其實(shí)實(shí)踐證明，設(shè)置了行buffer，還是能讀到半拉的行）。

查詢

啥？要支持SQL，別鬧了，100行代碼怎么支持SQL呀。

現(xiàn)在查詢是直接傳入一個(gè)lambada表達(dá)式，系統(tǒng)遍歷指定時(shí)間范圍內(nèi)的數(shù)據(jù)行時(shí)，滿足用戶的lambada條件才會(huì)返回給用戶。

當(dāng)然這樣會(huì)多讀取很多用戶不需要的數(shù)據(jù)，而且每行都要進(jìn)行l(wèi)ambda表達(dá)式的運(yùn)算，不過沒辦法，簡(jiǎn)單就是美呀。

以前我是把一個(gè)需要查詢的條件和日志時(shí)間，日志文件偏移量都記錄在索引里，這樣從索引里查找出符合條件的偏移量，然后每條數(shù)據(jù)都如日志文件里seek一次，read一次。這樣好處只有一個(gè)，就是讀取的數(shù)據(jù)量少了，但缺點(diǎn)有兩個(gè)：

索引文件特別大，不方便加載到內(nèi)存中

每次讀取都要先seek，貌似緩沖區(qū)用不上，特別慢，比連續(xù)讀一個(gè)段的數(shù)據(jù)，并用lambda過濾慢四五倍

寫入

前面說過了，只append，不修改數(shù)據(jù)，而且每行日志最前面是時(shí)間戳。

多線程

查詢數(shù)據(jù)，可以多線程同時(shí)查詢，每次查詢都會(huì)打開一個(gè)新的日志文件的描述符，所以并行的多個(gè)讀取不會(huì)打架。

寫入的話，雖然只是append操作，但不確認(rèn)多線程對(duì)文件進(jìn)行append操作是否安全，所以建議用一個(gè)隊(duì)列，一個(gè)專用線程進(jìn)行寫入。

鎖

沒有任何鎖。

排序

默認(rèn)查詢出來的數(shù)據(jù)是按時(shí)間正序排列，如需其它排序，可取到內(nèi)存后用python的sorted函數(shù)排序，想怎么排就怎么排。

# -*- coding:utf-8 -*-
import os
import time
import bisect
import itertools
from datetimeimport datetime
import logging
  
default_data_dir= './data/'
default_write_buffer_size= 1024*10
default_read_buffer_size= 1024*10
default_index_interval= 1000
  
def ensure_data_dir():
    if not os.path.exists(default_data_dir):
        os.makedirs(default_data_dir)
  
def init():
    ensure_data_dir()
  
class WawaIndex:
    def __init__(self, index_name):
        self.fp_index= open(os.path.join(default_data_dir, index_name+ '.index'),'a+',1)
        self.indexes,self.offsets,self.index_count= [], [],0
        self.__load_index()
  
    def __update_index(self, key, offset):
        self.indexes.append(key)
        self.offsets.append(offset)
  
    def __load_index(self):
        self.fp_index.seek(0)
        for linein self.fp_index:
            try:
                key, offset = line.split()
                self.__update_index(key, offset)
            except ValueError:# 索引如果沒有flush的話，可能讀到有半行的數(shù)據(jù)
                pass
  
    def append_index(self, key, offset):
        self.index_count+= 1
        if self.index_count% default_index_interval== 0:
            self.__update_index(key, offset)
            self.fp_index.write('%s %s %s' % (key, offset, os.linesep))
  
    def get_offsets(self, begin_key, end_key):
        left= bisect.bisect_left(self.indexes,str(begin_key))
        right= bisect.bisect_left(self.indexes,str(end_key))
        left, right= left- 1, right- 1
        if left <0: left= 0
        if right <0: right= 0
        if right >len(self.indexes)- 1: right= len(self.indexes)- 1
        logging.debug('get_index_range:%s %s %s %s %s %s',self.indexes[0],self.indexes[-1], begin_key, end_key, left, right)
        return self.offsets[left],self.offsets[right]
  
  
class WawaDB:
    def __init__(self, db_name):
        self.db_name= db_name
        self.fp_data_for_append= open(os.path.join(default_data_dir, db_name+ '.db'),'a', default_write_buffer_size)
        self.index= WawaIndex(db_name)
  
    def __get_data_by_offsets(self, begin_key, end_key, begin_offset, end_offset):
        fp_data= open(os.path.join(default_data_dir,self.db_name+ '.db'),'r', default_read_buffer_size)
        fp_data.seek(int(begin_offset))
          
        line= fp_data.readline()
        find_real_begin_offset= False
        will_read_len, read_len= int(end_offset)- int(begin_offset),0
        while line:
            read_len+= len(line)
            if (not find_real_begin_offset)and  (line <str(begin_key)):
                line= fp_data.readline()
                continue
            find_real_begin_offset= True
            if (read_len >= will_read_len)and (line >str(end_key)):break
            yield line.rstrip('\r\n')
            line= fp_data.readline()
  
    def append_data(self, data, record_time=datetime.now()):
        def check_args():
            if not data:
                raise ValueError('data is null')
            if not isinstance(data,basestring):
                raise ValueError('data is not string')
            if data.find('\r') != -1 or data.find('\n') != -1:
                raise ValueError('data contains linesep')
  
        check_args()
          
        record_time= time.mktime(record_time.timetuple())
        data= '%s %s %s' % (record_time, data, os.linesep)
        offset= self.fp_data_for_append.tell()
        self.fp_data_for_append.write(data)
        self.index.append_index(record_time, offset)
  
    def get_data(self, begin_time, end_time, data_filter=None):
        def check_args():
            if not (isinstance(begin_time, datetime)and isinstance(end_time, datetime)):
                raise ValueError('begin_time or end_time is not datetime')
  
        check_args()
  
        begin_time, end_time= time.mktime(begin_time.timetuple()), time.mktime(end_time.timetuple())
        begin_offset, end_offset= self.index.get_offsets(begin_time, end_time)
  
        for datain self.__get_data_by_offsets(begin_time, end_time, begin_offset, end_offset):
            if data_filter:
                if data_filter(data):
                    yield data
            else:
                yield data
  
def test():
    from datetimeimport datetime, timedelta
    import uuid, random
    logging.getLogger().setLevel(logging.NOTSET)
  
    def time_test(test_name):
        def inner(f):
            def inner2(*args,**kargs):
                start_time= datetime.now()
                result= f(*args,**kargs)
                print '%s take time:%s' % (test_name, (datetime.now()- start_time))
                return result
            return inner2
        return inner
  
    @time_test('gen_test_data')   
    def gen_test_data(db):
        now= datetime.now()
        begin_time= now- timedelta(hours=5)
        while begin_time < now:
            print begin_time
            for iin range(10000):
                db.append_data(str(random.randint(1,10000))+ ' ' +str(uuid.uuid1()), begin_time)
            begin_time+= timedelta(minutes=1)
      
    @time_test('test_get_data')   
    def test_get_data(db):
        begin_time= datetime.now()- timedelta(hours=3)
        end_time= begin_time+ timedelta(minutes=120)
        results= list(db.get_data(begin_time, end_time,lambda x: x.find('1024') != -1))
        print 'test_get_data get %s results' % len(results)
  
    @time_test('get_db')   
    def get_db():
        return WawaDB('test')
  
    if not os.path.exists('./data/test.db'):
        db= get_db()
        gen_test_data(db)
        #db.index.fp_index.flush()
    
    db= get_db()
    test_get_data(db)
  
init()
  
if __name__== '__main__':
    test()

感謝你能夠認(rèn)真閱讀完這篇文章，希望小編分享python如何使用100多行代碼寫一個(gè)數(shù)據(jù)庫(kù)內(nèi)容對(duì)大家有幫助，同時(shí)也希望大家多多支持億速云，關(guān)注億速云行業(yè)資訊頻道，遇到問題就找億速云，詳細(xì)的解決方法等著你來學(xué)習(xí)!