在Python（和Java）中最快的数据打包

_{（有时我们的宿主是错误的;纳秒很重要;)}

我有一个Python Twisted服务器，它与一些Java服务器通信，分析显示其运行时的30%在JSON编码器/解码器中花费;它的工作是每秒处理数千条消息。

Youtube的这个演讲提出了有趣的适用点：

• 序列化格式 - 无论您使用哪一种，它们都很昂贵。量。不要使用泡菜。不是一个好的选择。发现协议缓冲区速度慢。他们编写了自己的BSON实现，比您可以下载的实现快10-15倍。

• 你必须测量。Vitess将其一个协议换成了HTTP实现。即使它在C中，它也很慢。因此，他们删除了HTTP并使用python进行了直接套接字调用，这在全局CPU上便宜了8%。HTTP的封装非常昂贵。

• 测量。在Python中，测量就像阅读茶叶一样。Python中有很多东西是违反直觉的，比如抓取拼贴的成本。他们的大多数应用程序块都花费时间序列化。分析序列化很大程度上取决于您要放入的内容。序列化 ints 与序列化大 blob 非常不同。

无论如何，我控制消息传递API的Python和Java端，并且可以选择与JSON不同的序列化。

我的消息如下所示：

• 可变数量的多头;其中 1 到 10K 之间的任意位置
• 和两个已经是 UTF8 的文本字符串;介于 1 和 3KB 之间

因为我是从套接字读取它们的，所以我想要能够优雅地处理流的库 - 例如，如果它没有告诉我它消耗了多少缓冲区，那会很烦人。

当然，这个流的另一端是Java服务器。我不想选择一些对Python端很好的东西，而是将问题转移到Java端，例如性能或折磨性或片状API。

我显然会做我自己的分析。我在这里问，希望您描述我不会想到的方法，例如使用结构以及最快的字符串/缓冲区是什么。

一些简单的测试代码给出了令人惊讶的结果：

import time, random, struct, json, sys, pickle, cPickle, marshal, array

def encode_json_1(*args):
    return json.dumps(args)

def encode_json_2(longs,str1,str2):
    return json.dumps({"longs":longs,"str1":str1,"str2":str2})

def encode_pickle(*args):
    return pickle.dumps(args)

def encode_cPickle(*args):
    return cPickle.dumps(args)

def encode_marshal(*args):
    return marshal.dumps(args)

def encode_struct_1(longs,str1,str2):
    return struct.pack(">iii%dq"%len(longs),len(longs),len(str1),len(str2),*longs)+str1+str2

def decode_struct_1(s):
    i, j, k = struct.unpack(">iii",s[:12])
    assert len(s) == 3*4 + 8*i + j + k, (len(s),3*4 + 8*i + j + k)
    longs = struct.unpack(">%dq"%i,s[12:12+i*8])
    str1 = s[12+i*8:12+i*8+j]
    str2 = s[12+i*8+j:]
    return (longs,str1,str2)

struct_header_2 = struct.Struct(">iii")

def encode_struct_2(longs,str1,str2):
    return "".join((
        struct_header_2.pack(len(longs),len(str1),len(str2)),
        array.array("L",longs).tostring(),
        str1,
        str2))

def decode_struct_2(s):
    i, j, k = struct_header_2.unpack(s[:12])
    assert len(s) == 3*4 + 8*i + j + k, (len(s),3*4 + 8*i + j + k)
    longs = array.array("L")
    longs.fromstring(s[12:12+i*8])
    str1 = s[12+i*8:12+i*8+j]
    str2 = s[12+i*8+j:]
    return (longs,str1,str2)

def encode_ujson(*args):
    return ujson.dumps(args)

def encode_msgpack(*args):
    return msgpacker.pack(args)

def decode_msgpack(s):
    msgunpacker.feed(s)
    return msgunpacker.unpack()

def encode_bson(longs,str1,str2):
    return bson.dumps({"longs":longs,"str1":str1,"str2":str2})

def from_dict(d):
    return [d["longs"],d["str1"],d["str2"]]

tests = [ #(encode,decode,massage_for_check)
    (encode_struct_1,decode_struct_1,None),
    (encode_struct_2,decode_struct_2,None),
    (encode_json_1,json.loads,None),
    (encode_json_2,json.loads,from_dict),
    (encode_pickle,pickle.loads,None),
    (encode_cPickle,cPickle.loads,None),
    (encode_marshal,marshal.loads,None)]

try:
    import ujson
    tests.append((encode_ujson,ujson.loads,None))
except ImportError:
    print "no ujson support installed"

try:
    import msgpack
    msgpacker = msgpack.Packer()
    msgunpacker = msgpack.Unpacker()
    tests.append((encode_msgpack,decode_msgpack,None))
except ImportError:
    print "no msgpack support installed"

try:
    import bson
    tests.append((encode_bson,bson.loads,from_dict))
except ImportError:
    print "no BSON support installed"

longs = [i for i in xrange(10000)]
str1 = "1"*5000
str2 = "2"*5000

random.seed(1)
encode_data = [[
        longs[:random.randint(2,len(longs))],
        str1[:random.randint(2,len(str1))],
        str2[:random.randint(2,len(str2))]] for i in xrange(1000)]

for encoder,decoder,massage_before_check in tests:
    # do the encoding
    start = time.time()
    encoded = [encoder(i,j,k) for i,j,k in encode_data]
    encoding = time.time()
    print encoder.__name__, "encoding took %0.4f,"%(encoding-start),
    sys.stdout.flush()
    # do the decoding
    decoded = [decoder(e) for e in encoded]
    decoding = time.time()
    print "decoding %0.4f"%(decoding-encoding)
    sys.stdout.flush()
    # check it
    if massage_before_check:
        decoded = [massage_before_check(d) for d in decoded]
    for i,((longs_a,str1_a,str2_a),(longs_b,str1_b,str2_b)) in enumerate(zip(encode_data,decoded)):
        assert longs_a == list(longs_b), (i,longs_a,longs_b)
        assert str1_a == str1_b, (i,str1_a,str1_b)
        assert str2_a == str2_b, (i,str2_a,str2_b)

给：

encode_struct_1 encoding took 0.4486, decoding 0.3313
encode_struct_2 encoding took 0.3202, decoding 0.1082
encode_json_1 encoding took 0.6333, decoding 0.6718
encode_json_2 encoding took 0.5740, decoding 0.8362
encode_pickle encoding took 8.1587, decoding 9.5980
encode_cPickle encoding took 1.1246, decoding 1.4436
encode_marshal encoding took 0.1144, decoding 0.3541
encode_ujson encoding took 0.2768, decoding 0.4773
encode_msgpack encoding took 0.1386, decoding 0.2374
encode_bson encoding took 55.5861, decoding 29.3953

bson，msgpack和ujson都通过easy_install安装

我很想被证明我做错了;我应该使用cStringIO接口，否则你会加快速度！

一定有一种方法可以序列化这些数据，这肯定快一个数量级吗？