为什么要遍历大型Django QuerySet消耗大量内存？

该表包含大约一千万行。

for event in Event.objects.all():
    print event

这会导致内存使用量稳定增加到4 GB左右，这时行将快速打印。第一行打印之前漫长的延迟让我感到惊讶–我希望它几乎可以立即打印。

我也尝试过Event.objects.iterator()以相同的方式表现。

我不明白Django正在将什么加载到内存中或为什么这样做。我希望Django在数据库级别遍历结果，这意味着结果将以大致恒定的速率打印（而不是经过漫长的等待一次全部打印）。

我误会了什么？

（我不知道它是否相关，但是我正在使用PostgreSQL。）

内特C距离很近，但不太远。

从文档：

您可以通过以下方式评估QuerySet：

• 迭代。QuerySet是可迭代的，并且在您第一次对其进行迭代时会执行其数据库查询。例如，这将打印数据库中所有条目的标题：

  for e in Entry.objects.all():
      print e.headline

因此，当您第一次进入该循环并获得查询集的迭代形式时，一次就可以检索一千万行。您遇到的等待是Django加载数据库行并为每个数据库行创建对象，然后返回实际上可以迭代的内容。然后，您将所有内容存储在内存中，结果溢出了。

根据我对文档的阅读， iterator()仅能绕过QuerySet的内部缓存机制。我认为这样做一件一件一件的事情可能是有意义的，但是相反地，这需要在数据库上进行一千万次单独点击。也许不是所有想要的。

我们仍然没有完全正确地遍历大型数据集，但是有一些摘要可能对您有用：

• 高效内存的Django QuerySet迭代器
• 批处理查询集
• QuerySet Foreach

可能不是更快或更高效，但是作为现成的解决方案，为什么不使用django core的Paginator和Page对象，请参见此处：

https://docs.djangoproject.com/en/dev/topics/pagination/

像这样：

from django.core.paginator import Paginator
from djangoapp.models import model

paginator = Paginator(model.objects.all(), 1000) # chunks of 1000, you can 
                                                 # change this to desired chunk size

for page in range(1, paginator.num_pages + 1):
    for row in paginator.page(page).object_list:
        # here you can do whatever you want with the row
    print "done processing page %s" % page

Django的默认行为是在评估查询时缓存QuerySet的整个结果。您可以使用QuerySet的迭代器方法来避免这种缓存：

for event in Event.objects.all().iterator():
    print event

https://docs.djangoproject.com/en/dev/ref/models/querysets/#iterator

iterator（）方法计算查询集，然后直接读取结果，而无需在QuerySet级别进行缓存。当对只需要访问一次的大量对象进行迭代时，此方法可带来更好的性能并显着减少内存。请注意，缓存仍在数据库级别完成。

使用iterator（）可以减少我的内存使用量，但仍然比我预期的要高。使用mpaf建议的分页器方法会减少内存消耗，但在我的测试案例中要慢2-3倍。

from django.core.paginator import Paginator

def chunked_iterator(queryset, chunk_size=10000):
    paginator = Paginator(queryset, chunk_size)
    for page in range(1, paginator.num_pages + 1):
        for obj in paginator.page(page).object_list:
            yield obj

for event in chunked_iterator(Event.objects.all()):
    print event

这来自docs：http : //docs.djangoproject.com/en/dev/ref/models/querysets/

除非您执行某些操作来评估查询集，否则实际上不会发生数据库活动。

因此，当print event运行时，查询将触发（根据您的命令进行全表扫描。）并加载结果。您要求所有对象，并且没有所有对象就无法获得第一个对象。

但是，如果您执行以下操作：

Event.objects.all()[300:900]

http://docs.djangoproject.com/en/dev/topics/db/queries/#limiting-querysets

然后它将在内部向sql添加偏移量和限制。

对于大量记录，数据库游标性能甚至更好。在Django中您确实需要原始SQL，Django光标与SQL cursur有所不同。

Nate C建议的LIMIT-OFFSET方法可能足以满足您的情况。对于大量数据，它比游标慢，因为它必须一遍又一遍地运行相同的查询，并且必须跳过越来越多的结果。

Django没有很好的解决方案来从数据库中获取大型项目。

import gc
# Get the events in reverse order
eids = Event.objects.order_by("-id").values_list("id", flat=True)

for index, eid in enumerate(eids):
    event = Event.object.get(id=eid)
    # do necessary work with event
    if index % 100 == 0:
       gc.collect()
       print("completed 100 items")

values_list可用于获取数据库中的所有ID，然后分别获取每个对象。一段时间后，将在内存中创建大对象，并且不会存在垃圾，直到退出循环为止。上面的代码每使用完第100个项目，就会进行手动垃圾回收。

因为这样可以将整个查询集的对象一次全部加载到内存中。您需要将查询集分成较小的可消化位。执行此操作的模式称为“喂汤”。这是一个简短的实现。

def spoonfeed(qs, func, chunk=1000, start=0):
    ''' Chunk up a large queryset and run func on each item.

    Works with automatic primary key fields.

    chunk -- how many objects to take on at once
    start -- PK to start from

    >>> spoonfeed(Spam.objects.all(), nom_nom)
    '''
    while start < qs.order_by('pk').last().pk:
        for o in qs.filter(pk__gt=start, pk__lte=start+chunk):
            yeild func(o)
        start += chunk

要使用此功能，您需要编写一个对对象执行操作的函数：

def set_population_density(town):
    town.population_density = calculate_population_density(...)
    town.save()

然后在查询集上运行该函数：

spoonfeed(Town.objects.all(), set_population_density)

可以通过func在多个对象上并行执行的多处理来进一步改善这一点。

这是一个包括len和count的解决方案：

class GeneratorWithLen(object):
    """
    Generator that includes len and count for given queryset
    """
    def __init__(self, generator, length):
        self.generator = generator
        self.length = length

    def __len__(self):
        return self.length

    def __iter__(self):
        return self.generator

    def __getitem__(self, item):
        return self.generator.__getitem__(item)

    def next(self):
        return next(self.generator)

    def count(self):
        return self.__len__()

def batch(queryset, batch_size=1024):
    """
    returns a generator that does not cache results on the QuerySet
    Aimed to use with expected HUGE/ENORMOUS data sets, no caching, no memory used more than batch_size

    :param batch_size: Size for the maximum chunk of data in memory
    :return: generator
    """
    total = queryset.count()

    def batch_qs(_qs, _batch_size=batch_size):
        """
        Returns a (start, end, total, queryset) tuple for each batch in the given
        queryset.
        """
        for start in range(0, total, _batch_size):
            end = min(start + _batch_size, total)
            yield (start, end, total, _qs[start:end])

    def generate_items():
        queryset.order_by()  # Clearing... ordering by id if PK autoincremental
        for start, end, total, qs in batch_qs(queryset):
            for item in qs:
                yield item

    return GeneratorWithLen(generate_items(), total)

用法：

events = batch(Event.objects.all())
len(events) == events.count()
for event in events:
    # Do something with the Event

对于这种任务，我通常使用原始MySQL原始查询而不是Django ORM。

MySQL支持流模式，因此我们可以安全快速地遍历所有记录，而不会发生内存不足错误。

import MySQLdb
db_config = {}  # config your db here
connection = MySQLdb.connect(
        host=db_config['HOST'], user=db_config['USER'],
        port=int(db_config['PORT']), passwd=db_config['PASSWORD'], db=db_config['NAME'])
cursor = MySQLdb.cursors.SSCursor(connection)  # SSCursor for streaming mode
cursor.execute("SELECT * FROM event")
while True:
    record = cursor.fetchone()
    if record is None:
        break
    # Do something with record here

cursor.close()
connection.close()

参考：

1. 从MySQL检索百万行
2. MySQL结果集流如何执行与一次获取整个JDBC ResultSet的关系