转载自：http://blog.csdn.net/caz28/article/details/45972109
有时我们需要大量的数据，一般编个程序生成一堆随机数据，Python很适合文本处理，干这个很方便。
下面程序生成一千万条数据，空格分开。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 |
# 生成数据库文件，用于测试SQL数据库
# id，firstName(14)，lastName(14)，birthday，sex
import random,datetime
import time
dataCount = 10*1000*1000 #10M.
codeRange = range(ord('a'),ord('z'))
alphaRange = [chr(x) for x in codeRange]
alphaMax = len(alphaRange)
daysMax = 42003
theDay = datetime.date(1900,1,1)
def genRandomName(nameLength):
global alphaRange,alphaMax
length = random.randint(1, nameLength)
name = ''
for i in range(length):
name += alphaRange[random.randint(0,alphaMax-1)]
return name
def genRandomDay():
global daysMax,theDay
mDays = random.randint(0,daysMax)
mDate = theDay + datetime.timedelta(days=mDays)
return mDate.isoformat()
def genRandomSex():
return random.randint(0,1)
def genDataBase1(fileName,dataCount):
outp = open(fileName,'w')
i = 0
while i<dataCount:
firstName = genRandomName(14)
lastName = genRandomName(14)
birthday = genRandomDay()
sex = genRandomSex()
mLine = "%i %s %s %s %d
"%(i+1,firstName,lastName,birthday,sex)
outp.write(mLine)
i += 1
outp.close()
if __name__ == "__main__":
random.seed()
start = time.time()
genDataBase1('db_test.txt',dataCount)
end = time.time()
print('use time:%d'%(end-start))
print('Ok')
|
来自CODE的代码片
genDatabase.py
一条数据长度随机，平均38个字节左右，总共生成370MB左右的数据文件，用时23分钟左右。
测试了哪个地方是性能瓶颈，发现用时最长是genRandomName函数，而且每条数据调用两次，第二长的是genRandomDay。
genRandomName 用时是 genRandomDay 的 7倍，genRandomDay 里也没什么可优化的，所以重点优化genRandomName。
在Python中尝试了几种方法：
1.先生成字符列表，再join，而不是用+。
2.用random.sample。
提高速度都不明显，小于10%。
后来发现不做字符串操作，速度也提高有限，random操作看来比较耗时间。
于是写了一个C语言dll，通过ctypes使用，提高速度明显，同样是一千五条，用时8.65分钟。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 |
# 使用C语言库优化字符串生成
# 生成数据库文件，用于测试SQL数据库
# id，firstName(14)，lastName(14)，birthday，sex
import ctypes
import random,datetime
import time
dataCount = 10*1000*1000 #10M.
codeRange = range(ord('a'),ord('z'))
alphaRange = [chr(x) for x in codeRange]
alphaMax = len(alphaRange)
daysMax = 42003
theDay = datetime.date(1900,1,1)
ss = ctypes.CDLL('c_dll.dll')
p = ctypes.create_string_buffer(14+1)
def genRandomName(nameLength):
global ss,p
length = random.randint(1, nameLength)
ss.func(p,length) # c函数随机生成length长度的字符串。
name = p.value.decode('ascii')
return name
def genRandomDay():
global daysMax,theDay
mDays = random.randint(0,daysMax)
mDate = theDay + datetime.timedelta(days=mDays)
return mDate.isoformat()
def genRandomSex():
return random.randint(0,1)
def genDataBase1(fileName,dataCount):
outp = open(fileName,'w')
i = 0
while i<dataCount:
firstName = genRandomName(14)
lastName = genRandomName(14)
birthday = genRandomDay()
sex = genRandomSex()
mLine = "%i %s %s %s %d
"%(i+1,firstName,lastName,birthday,sex)
outp.write(mLine)
i += 1
outp.close()
if __name__ == "__main__":
ss.randomSeed() # c函数rand初始化seed。
random.seed()
start = time.time()
genDataBase1('db_test.txt',dataCount)
end = time.time()
print('use time:%d'%(end-start))
ss = None
print('Ok')
|
来自CODE的代码片
genDatabase3.py
c_dll是用c实现的生成任意长度的随机字符串的函数，编译成dll，放到Python程序相同目录下调用。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 |
#include <stdio.h>
#include <string.h>
#include <stdlib.h>
#include <time.h>
int getRand(int max)
{
int i = rand();
double f = (double)i / (double)(RAND_MAX+1);
return (int)(f*(double)max);
}
void _declspec(dllexport)func(char *p,int len)
{
int i;
for(i=0;i<len;i++)
{
*(p+i) =(char)('a'+getRand(26));
}
*(p+i) = ' ';
}
void _declspec(dllexport)randomSeed(void)
{
srand((unsigned)time(NULL));
}
|
来自CODE的代码片
genName.c
后来，用c实现的randInt函数代替Python的，用时5.3分钟，相对原来23分钟，速度提高4.34倍。
使用navicat导入mysql的导入向导时注意选择日期分隔符为“-”，否则导入日期均为0000-00-00。
txt加上列名，那么导入向导就从第二行数据开始。其他则均不变。