使用Scalaz 7 zipWithIndex / group枚举避免内存泄漏

106

背景

如该问题所述，我正在使用Scalaz 7迭代器在恒定堆空间中处理大量（即无边界）数据流。

我的代码如下所示：

type ErrorOrT[M[+_], A] = EitherT[M, Throwable, A]
type ErrorOr[A] = ErrorOrT[IO, A]

def processChunk(c: Chunk, idx: Long): Result

def process(data: EnumeratorT[Chunk, ErrorOr]): IterateeT[Vector[(Chunk, Long)], ErrorOr, Vector[Result]] =
  Iteratee.fold[Vector[(Chunk, Long)], ErrorOr, Vector[Result]](Nil) { (rs, vs) =>
    rs ++ vs map { 
      case (c, i) => processChunk(c, i) 
    }
  } &= (data.zipWithIndex mapE Iteratee.group(P))

问题

我似乎遇到了内存泄漏，但是我对Scalaz / FP不够熟悉，无法知道该错误是在Scalaz中还是在我的代码中。直观地，我希望此代码仅需要（大约）P倍Chunk-size空间。

注意：我在遇到类似的问题OutOfMemoryError时遇到了，但我的代码未使用consume。

测试中

我进行了一些测试以尝试找出问题所在。总而言之，仅当同时使用zipWithIndex和时才出现泄漏group。

// no zipping/grouping
scala> (i1 &= enumArrs(1 << 25, 128)).run.unsafePerformIO
res47: Long = 4294967296

// grouping only
scala> (i2 &= (enumArrs(1 << 25, 128) mapE Iteratee.group(4))).run.unsafePerformIO
res49: Long = 4294967296

// zipping and grouping
scala> (i3 &= (enumArrs(1 << 25, 128).zipWithIndex mapE Iteratee.group(4))).run.unsafePerformIO
java.lang.OutOfMemoryError: Java heap space

// zipping only
scala> (i4 &= (enumArrs(1 << 25, 128).zipWithIndex)).run.unsafePerformIO
res51: Long = 4294967296

// no zipping/grouping, larger arrays
scala> (i1 &= enumArrs(1 << 27, 128)).run.unsafePerformIO
res53: Long = 17179869184

// zipping only, larger arrays
scala> (i4 &= (enumArrs(1 << 27, 128).zipWithIndex)).run.unsafePerformIO
res54: Long = 17179869184

测试代码：

import scalaz.iteratee._, scalaz.effect.IO, scalaz.std.vector._

// define an enumerator that produces a stream of new, zero-filled arrays
def enumArrs(sz: Int, n: Int) = 
  Iteratee.enumIterator[Array[Int], IO](
    Iterator.continually(Array.fill(sz)(0)).take(n))

// define an iteratee that consumes a stream of arrays 
// and computes its length
val i1 = Iteratee.fold[Array[Int], IO, Long](0) { 
  (c, a) => c + a.length 
}

// define an iteratee that consumes a grouped stream of arrays 
// and computes its length
val i2 = Iteratee.fold[Vector[Array[Int]], IO, Long](0) { 
  (c, as) => c + as.map(_.length).sum 
}

// define an iteratee that consumes a grouped/zipped stream of arrays
// and computes its length
val i3 = Iteratee.fold[Vector[(Array[Int], Long)], IO, Long](0) {
  (c, vs) => c + vs.map(_._1.length).sum
}

// define an iteratee that consumes a zipped stream of arrays
// and computes its length
val i4 = Iteratee.fold[(Array[Int], Long), IO, Long](0) {
  (c, v) => c + v._1.length
}

问题

是我代码中的错误吗？
如何在恒定的堆空间中完成这项工作？

scala scalaz iterate

— 亚伦·诺夫斯特鲁普（Aaron Novstrup）
source

我最终在Scalaz中将此报告为问题。

— 亚伦·诺夫斯特鲁普

这不会很有趣，但是您可以尝试-XX:+HeapDumpOnOutOfMemoryError使用eclipse MAT eclipse.org/mat分析转储，以查看将哪些代码保留在数组上。

— huynhjl

@huynhjl FWIW，我尝试使用JProfiler和MAT来分析堆，但是完全无法遍历对匿名函数类的所有引用，等等。Scala确实需要专用工具来处理此类事情。

— 亚伦·诺夫斯特鲁普

如果没有泄漏，只是您在做的事情需要大量增加的内存该怎么办？您只需维护var计数器即可轻松复制zipWithIndex，而无需使用该特定FP构造。

— 以西结·维克托

@EzekielVictor我不确定我是否理解此评论。您建议Long每块添加一个索引会将算法从恒定堆空间更改为非恒定堆空间吗？非压缩版本显然使用了恒定的堆空间，因为它可以“处理”您愿意等待的尽可能多的块。

— 亚伦·诺夫斯特鲁普

对于那些坚持使用较旧iterateeAPI的人来说，这简直是小菜一碟，但是我最近验证了针对scalaz-stream API的等效测试通过了。这是一个旨在替代的更新的流处理API iteratee。

为了完整性，下面是测试代码：

// create a stream containing `n` arrays with `sz` Ints in each one
def streamArrs(sz: Int, n: Int): Process[Task, Array[Int]] =
  (Process emit Array.fill(sz)(0)).repeat take n

(streamArrs(1 << 25, 1 << 14).zipWithIndex 
      pipe process1.chunk(4) 
      pipe process1.fold(0L) {
    (c, vs) => c + vs.map(_._1.length.toLong).sum
  }).runLast.run

这应该适用于该n参数的任何值（前提是您愿意等待足够长的时间）–我测试了2 ^ 14个32MiB阵列（即，随着时间的推移总共分配了一半TiB的内存）。

— 亚伦·诺夫斯特鲁普（Aaron Novstrup）
source