内存管理#
另请参阅
缓冲区#
为了避免传递具有不同且不明显的生命周期规则的原始数据指针，Arrow 提供了一个通用抽象，称为 arrow::Buffer。Buffer 封装了一个指针和数据大小，通常还将其生命周期与底层提供程序的生命周期相关联（换句话说，Buffer 应该始终指向有效内存，直到其销毁）。Buffer 是无类型的：它们只是表示一个物理内存区域，而不管其预期含义或解释。
Buffer 可以由 Arrow 本身或由第三方例程分配。例如，可以将 Python 字节串的数据作为 Arrow 缓冲区传递，并在必要时保持 Python 对象处于活动状态。
此外，缓冲区有多种风格：可变的或不可变的，可调整大小的或不可调整大小的。通常，在构建一条数据时，您会持有可变缓冲区，然后将其冻结为不可变容器，例如 数组。
注意
某些缓冲区可能指向非 CPU 内存，例如 CUDA 上下文提供的 GPU 支持内存。如果您正在编写一个 GPU 感知的应用程序，您需要小心不要将 GPU 内存指针解释为 CPU 可访问的指针，反之亦然。
访问缓冲区内存#
Buffer 使用 size() 和 data() 访问器（或 mutable_data() 用于对可变缓冲区进行可写访问）提供对底层内存的快速访问。
切片#
可以对缓冲区进行零拷贝切片，以获得引用底层数据的某个连续子集的缓冲区。这可以通过调用 arrow::SliceBuffer() 和 arrow::SliceMutableBuffer() 函数来完成。
分配缓冲区#
您可以通过调用 arrow::AllocateBuffer() 或 arrow::AllocateResizableBuffer() 重载之一来自己分配缓冲区
arrow::Result<std::unique_ptr<Buffer>> maybe_buffer = arrow::AllocateBuffer(4096);
if (!maybe_buffer.ok()) {
// ... handle allocation error
}
std::shared_ptr<arrow::Buffer> buffer = *std::move(maybe_buffer);
uint8_t* buffer_data = buffer->mutable_data();
memcpy(buffer_data, "hello world", 11);
以这种方式分配缓冲区可确保它按照 Arrow 内存规范 的建议进行 64 字节对齐和填充。
构建缓冲区#
您还可以使用 arrow::BufferBuilder API 增量地分配和构建缓冲区
BufferBuilder builder;
builder.Resize(11); // reserve enough space for 11 bytes
builder.Append("hello ", 6);
builder.Append("world", 5);
auto maybe_buffer = builder.Finish();
if (!maybe_buffer.ok()) {
// ... handle buffer allocation error
}
std::shared_ptr<arrow::Buffer> buffer = *maybe_buffer;
如果缓冲区旨在包含给定固定宽度类型的值（例如 List 数组的 32 位偏移量），则使用模板 arrow::TypedBufferBuilder API 可能更方便
TypedBufferBuilder<int32_t> builder;
builder.Reserve(2); // reserve enough space for two int32_t values
builder.Append(0x12345678);
builder.Append(-0x765643210);
auto maybe_buffer = builder.Finish();
if (!maybe_buffer.ok()) {
// ... handle buffer allocation error
}
std::shared_ptr<arrow::Buffer> buffer = *maybe_buffer;
内存池#
使用 Arrow C++ API 分配缓冲区时，缓冲区的底层内存由 arrow::MemoryPool 实例分配。通常，这将是进程范围的默认内存池，但许多 Arrow API 允许您传递另一个 MemoryPool 实例以进行其内部分配。
内存池用于大型长期存在的数据，例如数组缓冲区。其他数据（例如小型 C++ 对象和临时工作区）通常通过常规 C++ 分配器进行。
默认内存池#
默认内存池取决于 Arrow C++ 的编译方式
覆盖默认内存池#
可以通过设置 ARROW_DEFAULT_MEMORY_POOL 环境变量来覆盖上述选择算法。
STL 集成#
如果您希望使用 Arrow 内存池来分配 STL 容器的数据，您可以使用 arrow::stl::allocator 包装器来实现。
相反，您还可以使用 STL 分配器来分配 Arrow 内存，使用 arrow::stl::STLMemoryPool 类。但是，这可能性能较低，因为 STL 分配器不提供调整大小的操作。
设备#
许多 Arrow 应用程序仅访问主机 (CPU) 内存。但是，在某些情况下，希望同时处理设备上内存（例如 GPU 上的板载内存）以及主机内存。
Arrow 使用 arrow::Device 抽象来表示 CPU 和其他设备。关联的类 arrow::MemoryManager 指定如何在给定设备上分配内存。每个设备都有一个默认的内存管理器，但可以构建其他实例（例如，包装自定义 arrow::MemoryPool 在 CPU 上）。arrow::MemoryManager 实例指定如何在给定设备上分配内存（例如，使用 CPU 上的特定 arrow::MemoryPool）。
设备无关编程#
如果您从第三方代码接收到缓冲区，您可以通过调用其 is_cpu() 方法来查询它是否可 CPU 读取。
您还可以通过调用 arrow::Buffer::View() 或 arrow::Buffer::ViewOrCopy()，以通用方式在给定设备上查看缓冲区。如果源设备和目标设备相同，这将是一个空操作。否则，设备相关机制将尝试为目标设备构造一个内存地址，该地址允许访问缓冲区内容。当读取缓冲区内容时，实际的设备到设备传输可能会懒惰地发生。
类似地，如果您想在缓冲区上执行 I/O 而不假设 CPU 可读取的缓冲区，您可以调用 arrow::Buffer::GetReader() 和 arrow::Buffer::GetWriter()。
例如，要获取任意缓冲区的 CPU 视图或副本，您可以简单地执行
std::shared_ptr<arrow::Buffer> arbitrary_buffer = ... ;
std::shared_ptr<arrow::Buffer> cpu_buffer = arrow::Buffer::ViewOrCopy(
arbitrary_buffer, arrow::default_cpu_memory_manager());
内存分析#
在 Linux 上，可以使用 perf record 生成内存分配的详细配置文件，而无需修改二进制文件。这些配置文件可以显示回溯以及分配大小。这确实需要调试符号，来自调试版本或带有调试符号的发布版本。
注意
如果您在另一个平台上分析 Arrow 的测试，您可以使用 Archery 运行以下 Docker 容器来访问 Linux 环境
archery docker run ubuntu-cpp bash
# Inside the Docker container...
/arrow/ci/scripts/cpp_build.sh /arrow /build
cd build/cpp/debug
./arrow-array-test # Run a test
apt-get update
apt-get install -y linux-tools-generic
alias perf=/usr/lib/linux-tools/<version-path>/perf
为了跟踪内存分配，需要在每个使用的分配器方法上创建探针点。收集 $params 允许我们记录请求的分配大小，而收集 $retval 允许我们记录已记录分配的地址，以便我们可以将它们与释放/取消分配的调用相关联。
perf probe -x libarrow.so je_arrow_mallocx '$params'
perf probe -x libarrow.so je_arrow_mallocx%return '$retval'
perf probe -x libarrow.so je_arrow_rallocx '$params'
perf probe -x libarrow.so je_arrow_rallocx%return '$retval'
perf probe -x libarrow.so je_arrow_dallocx '$params'
PROBE_ARGS="-e probe_libarrow:je_arrow_mallocx \
-e probe_libarrow:je_arrow_mallocx__return \
-e probe_libarrow:je_arrow_rallocx \
-e probe_libarrow:je_arrow_rallocx__return \
-e probe_libarrow:je_arrow_dallocx"
perf probe -x libarrow.so mi_malloc_aligned '$params'
perf probe -x libarrow.so mi_malloc_aligned%return '$retval'
perf probe -x libarrow.so mi_realloc_aligned '$params'
perf probe -x libarrow.so mi_realloc_aligned%return '$retval'
perf probe -x libarrow.so mi_free '$params'
PROBE_ARGS="-e probe_libarrow:mi_malloc_aligned \
-e probe_libarrow:mi_malloc_aligned__return \
-e probe_libarrow:mi_realloc_aligned \
-e probe_libarrow:mi_realloc_aligned__return \
-e probe_libarrow:mi_free"
设置探针后，您可以使用 perf record 记录带有相关回溯的调用。在此示例中，我们正在运行 Arrow 中的 StructArray 单元测试
perf record -g --call-graph dwarf \
$PROBE_ARGS \
./arrow-array-test --gtest_filter=StructArray*
如果您想分析正在运行的进程，可以运行 perf record -p <PID>，它会一直记录直到您用 CTRL+C 中断。或者，您可以执行 perf record -P <PID> sleep 10 以记录 10 秒。
可以使用标准工具处理生成的数据以使用 perf，或者可以使用 perf script 将数据的文本格式管道传输到自定义脚本。以下脚本解析 perf script 输出，并以新行分隔的 JSON 格式打印输出，以便于处理。
import sys
import re
import json
# Example non-traceback line
# arrow-array-tes 14344 [003] 7501.073802: probe_libarrow:je_arrow_mallocx: (7fbcd20bb640) size=0x80 flags=6
current = {}
current_traceback = ''
def new_row():
global current_traceback
current['traceback'] = current_traceback
print(json.dumps(current))
current_traceback = ''
for line in sys.stdin:
if line == '\n':
continue
elif line[0] == '\t':
# traceback line
current_traceback += line.strip("\t")
else:
line = line.rstrip('\n')
if not len(current) == 0:
new_row()
parts = re.sub(' +', ' ', line).split(' ')
parts.reverse()
parts.pop() # file
parts.pop() # "14344"
parts.pop() # "[003]"
current['time'] = float(parts.pop().rstrip(":"))
current['event'] = parts.pop().rstrip(":")
parts.pop() # (7fbcd20bddf0)
if parts[-1] == "<-":
parts.pop()
parts.pop()
params = {}
for pair in parts:
key, value = pair.split("=")
params[key] = value
current['params'] = params
这是一个脚本调用的示例，以及输出数据的预览
$ perf script | python3 /arrow/process_perf_events.py > processed_events.jsonl
$ head processed_events.jsonl | cut -c -120
{"time": 14814.954378, "event": "probe_libarrow:je_arrow_mallocx", "params": {"flags": "6", "size": "0x80"}, "traceback"
{"time": 14814.95443, "event": "probe_libarrow:je_arrow_mallocx__return", "params": {"arg1": "0x7f4a97e09000"}, "traceba
{"time": 14814.95448, "event": "probe_libarrow:je_arrow_mallocx", "params": {"flags": "6", "size": "0x40"}, "traceback":
{"time": 14814.954486, "event": "probe_libarrow:je_arrow_mallocx__return", "params": {"arg1": "0x7f4a97e0a000"}, "traceb
{"time": 14814.954502, "event": "probe_libarrow:je_arrow_rallocx", "params": {"flags": "6", "size": "0x40", "ptr": "0x7f
{"time": 14814.954507, "event": "probe_libarrow:je_arrow_rallocx__return", "params": {"arg1": "0x7f4a97e0a040"}, "traceb
{"time": 14814.954796, "event": "probe_libarrow:je_arrow_mallocx", "params": {"flags": "6", "size": "0x40"}, "traceback"
{"time": 14814.954805, "event": "probe_libarrow:je_arrow_mallocx__return", "params": {"arg1": "0x7f4a97e0a080"}, "traceb
{"time": 14814.954817, "event": "probe_libarrow:je_arrow_mallocx", "params": {"flags": "6", "size": "0x40"}, "traceback"
{"time": 14814.95482, "event": "probe_libarrow:je_arrow_mallocx__return", "params": {"arg1": "0x7f4a97e0a0c0"}, "traceba
从那里可以回答许多问题。例如，以下脚本将查找哪些分配从未被释放，并打印相关的回溯以及悬空分配的计数
'''Find tracebacks of allocations with no corresponding free'''
import sys
import json
from collections import defaultdict
allocated = dict()
for line in sys.stdin:
line = line.rstrip('\n')
data = json.loads(line)
if data['event'] == "probe_libarrow:je_arrow_mallocx__return":
address = data['params']['arg1']
allocated[address] = data['traceback']
elif data['event'] == "probe_libarrow:je_arrow_rallocx":
address = data['params']['ptr']
del allocated[address]
elif data['event'] == "probe_libarrow:je_arrow_rallocx__return":
address = data['params']['arg1']
allocated[address] = data['traceback']
elif data['event'] == "probe_libarrow:je_arrow_dallocx":
address = data['params']['ptr']
if address in allocated:
del allocated[address]
elif data['event'] == "probe_libarrow:mi_malloc_aligned__return":
address = data['params']['arg1']
allocated[address] = data['traceback']
elif data['event'] == "probe_libarrow:mi_realloc_aligned":
address = data['params']['p']
del allocated[address]
elif data['event'] == "probe_libarrow:mi_realloc_aligned__return":
address = data['params']['arg1']
allocated[address] = data['traceback']
elif data['event'] == "probe_libarrow:mi_free":
address = data['params']['p']
if address in allocated:
del allocated[address]
traceback_counts = defaultdict(int)
for traceback in allocated.values():
traceback_counts[traceback] += 1
for traceback, count in sorted(traceback_counts.items(), key=lambda x: -x[1]):
print("Num of dangling allocations:", count)
print(traceback)
该脚本可以这样调用
$ cat processed_events.jsonl | python3 /arrow/count_tracebacks.py
Num of dangling allocations: 1
7fc945e5cfd2 arrow::(anonymous namespace)::JemallocAllocator::ReallocateAligned+0x13b (/build/cpp/debug/libarrow.so.700.0.0)
7fc945e5fe4f arrow::BaseMemoryPoolImpl<arrow::(anonymous namespace)::JemallocAllocator>::Reallocate+0x93 (/build/cpp/debug/libarrow.so.700.0.0)
7fc945e618f7 arrow::PoolBuffer::Resize+0xed (/build/cpp/debug/libarrow.so.700.0.0)
55a38b163859 arrow::BufferBuilder::Resize+0x12d (/build/cpp/debug/arrow-array-test)
55a38b163bbe arrow::BufferBuilder::Finish+0x48 (/build/cpp/debug/arrow-array-test)
55a38b163e3a arrow::BufferBuilder::Finish+0x50 (/build/cpp/debug/arrow-array-test)
55a38b163f90 arrow::BufferBuilder::FinishWithLength+0x4e (/build/cpp/debug/arrow-array-test)
55a38b2c8fa7 arrow::TypedBufferBuilder<int, void>::FinishWithLength+0x4f (/build/cpp/debug/arrow-array-test)
55a38b2bcce7 arrow::NumericBuilder<arrow::Int32Type>::FinishInternal+0x107 (/build/cpp/debug/arrow-array-test)
7fc945c065ae arrow::ArrayBuilder::Finish+0x5a (/build/cpp/debug/libarrow.so.700.0.0)
7fc94736ed41 arrow::ipc::internal::json::(anonymous namespace)::Converter::Finish+0x123 (/build/cpp/debug/libarrow.so.700.0.0)
7fc94737426e arrow::ipc::internal::json::ArrayFromJSON+0x299 (/build/cpp/debug/libarrow.so.700.0.0)
7fc948e98858 arrow::ArrayFromJSON+0x64 (/build/cpp/debug/libarrow_testing.so.700.0.0)
55a38b6773f3 arrow::StructArray_FlattenOfSlice_Test::TestBody+0x79 (/build/cpp/debug/arrow-array-test)
7fc944689633 testing::internal::HandleSehExceptionsInMethodIfSupported<testing::Test, void>+0x68 (/build/cpp/googletest_ep-prefix/lib/libgtestd.so.1.11.0)
7fc94468132a testing::internal::HandleExceptionsInMethodIfSupported<testing::Test, void>+0x5d (/build/cpp/googletest_ep-prefix/lib/libgtestd.so.1.11.0)
7fc9446555eb testing::Test::Run+0xf1 (/build/cpp/googletest_ep-prefix/lib/libgtestd.so.1.11.0)
7fc94465602d testing::TestInfo::Run+0x13f (/build/cpp/googletest_ep-prefix/lib/libgtestd.so.1.11.0)
7fc944656947 testing::TestSuite::Run+0x14b (/build/cpp/googletest_ep-prefix/lib/libgtestd.so.1.11.0)
7fc9446663f5 testing::internal::UnitTestImpl::RunAllTests+0x433 (/build/cpp/googletest_ep-prefix/lib/libgtestd.so.1.11.0)
7fc94468ab61 testing::internal::HandleSehExceptionsInMethodIfSupported<testing::internal::UnitTestImpl, bool>+0x68 (/build/cpp/googletest_ep-prefix/lib/libgtestd.so.1.11.0)
7fc944682568 testing::internal::HandleExceptionsInMethodIfSupported<testing::internal::UnitTestImpl, bool>+0x5d (/build/cpp/googletest_ep-prefix/lib/libgtestd.so.1.11.0)
7fc944664b0c testing::UnitTest::Run+0xcc (/build/cpp/googletest_ep-prefix/lib/libgtestd.so.1.11.0)
7fc9446d0299 RUN_ALL_TESTS+0x14 (/build/cpp/googletest_ep-prefix/lib/libgtest_maind.so.1.11.0)
7fc9446d021b main+0x42 (/build/cpp/googletest_ep-prefix/lib/libgtest_maind.so.1.11.0)
7fc9441e70b2 __libc_start_main+0xf2 (/usr/lib/x86_64-linux-gnu/libc-2.31.so)
55a38b10a50d _start+0x2d (/build/cpp/debug/arrow-array-test)