c++ - 写入单个大数据文件或多个较小文件: Which is faster?

Question

我正在开发一个将大量数据写入磁盘的 C++ 程序。以下函数对数据进行 gzip 压缩并将其写入文件。压缩数据约为100GB。压缩并写出数据的函数如下:

 void constructSNVFastqData(string const& fname) {                                 
   ofstream fastq_gz(fname.c_str());                                           
   stringstream ss;                                                                
   for (int64_t i = 0; i < snvId->size(); i++) {                            
     consensus_pair &cns_pair = snvId->getPair(i);                                 
     string qual(cns_pair.non_mutated.size(), '!');                                
      ss << "@" + cns_pair.mutated + "[" + to_string(cns_pair.left_ohang) +         
            ";" + to_string(cns_pair.right_ohang) + "]\n" 
             + cns_pair.non_mutated + "\n+\n" + qual + "\n";                                            
   }                                                                               
   boost::iostreams::filtering_streambuf<boost::iostreams::input> out;             
   out.push(boost::iostreams::gzip_compressor());                                  
   out.push(ss);                                                                   
   boost::iostreams::copy(out,fastq_gz);                                           
   fastq_gz.close();                                                                                                 
 }

该函数将数据写入字符串流，然后我将其写入 使用 boost 的 filtering_streambuf 写入文件 (fastq_gz)。 该文件不是日志文件。文件写入后 它将由子进程读取。该文件不需要查看 由人类。<​​/p>

目前，我正在将数据写入单个大文件 (fastq_gz)。这需要一段时间，而且根据我们的系统管理员的说法，文件系统非常繁忙。我想知道是否应该写出多个较小的文件，而不是写出单个大文件？这种方法会更快，还是会减少文件系统的负载？

请注意，速度慢的不是压缩 - 我已经进行了基准测试。

我在 Linux 系统上运行，不需要考虑将实现推广到 Windows 文件系统。

Answer 1

因此，您的代码可能正在执行的操作是(a)将文件生成到内存交换空间中，(b)从交换空间加载并动态压缩，(c)将压缩数据写入输出文件。

(b)和(c)很棒； (a) 会杀了你。这是未压缩数据的两次往返，其中一次与输出文件生成竞争。

我在 boost iostreams 中找不到，但您需要一个 istream(源)或一个可以按需从您那里获取数据的设备。一定有人写过它(看起来很有用)，但我在查看 boost iostreams 文档 5 分钟后没有看到它。