Hashlib：要在 md5.update() 中使用的最佳块大小

Question

这是参考Get MD5 hash of big files in Python and Hashlib in Windows and Linux

针对这两个问题，建议在函数 md5.update() 中使用更大的数据块来提高性能。

我所做的所有测试似乎都表明使用较小的块可以提供最佳性能。

考虑以下代码：

def test(factor):
    filehash = hashlib.md5()
    blk_size_to_read = filehash.block_size * (2**factor)
    with open(largetestfile, 'rb') as f:
        read_data = f.read(blk_size_to_read)
        filehash.update(read_data)
    filehash.digest()

if __name__ == '__main__':
    for ctr in xrange(0, 12):
        funcstr = "test({})".format(str(ctr))
        timetaken = timeit.timeit(funcstr, setup="from __main__ import test", number = 5000)
        print "Factor: {} Time: {}".format(str(ctr), str(timetaken))

我所做的所有测试都表明，使用factor0 或 1（即 64 或 128 字节）时可实现最佳性能。

为什么我看到的结果与引用的问题中指出的结果不同？

我尝试过大小​​从 700MB 到 1.2GB 的二进制和纯文本文件，并且在 Ubuntu 12.04 上使用 Python 2.7.3

次要问题：我是否按照应有的方式使用 timeit？

Answer 1

发现错误！我read只吃了一大块，然后什么都不做！

改变了

with open(largetestfile, 'rb') as f:
    read_data = f.read(blk_size_to_read)
    filehash.update(read_data)

到

with open(testfile, 'rb') as f:
    while (True):
        read_data = f.read(blk_size_to_read)
        if not read_data:
            break
        filehash.update(read_data)

解决问题。

更新：

我运行了上面程序的一个稍微修改过的版本，以建立当增量使用 update() 来查找给定文件的散列时要使用的最佳缓冲区大小。我还想确定增量散列是否有任何好处，而不是一次性计算文件的散列（内存限制除外）。

我为此创建了 20 个文件（带有随机数据），文件大小从 4096 字节到 2.1 GB。这些文件中的每一个的 md5 哈希是使用缓冲区大小计算的，从2**6字节开始（64 字节 - 块大小）到2**20字节。使用 timeit，每个都运行了 100 次，并记录了最短执行时间的执行时间。还记录了一次对整个文件进行哈希计算的执行时间。

结果如下...

FileName           Filesize       Chunksize      Chunked Time   Complete Time       %diff
file5.txt                 4096           4096      0.0014789      0.0014701         -0.60%
file6.txt                 8192         524288      0.0021310      0.0021060         -1.19%
file7.txt                16384          16384      0.0033200      0.0033162         -0.12%
file8.txt                32768          65536      0.0061381      0.0057440         -6.86%
file9.txt                65536          65536      0.0106990      0.0112500          4.90%
file10.txt              131072         131072      0.0203800      0.0206621          1.37%
file11.txt              262144         524288      0.0396681      0.0401120          1.11%
file12.txt              524288        1048576      0.0780780      0.0787551          0.86%
file13.txt             1048576        1048576      0.1552539      0.1564729          0.78%
file14.txt             2097152         262144      0.3101590      0.3167789          2.09%
file15.txt             4194304          65536      0.6295781      0.6477270          2.80%
file16.txt             8388608         524288      1.2633710      1.3030031          3.04%
file17.txt            16777216         524288      2.5265670      2.5925691          2.55%
file18.txt            33554432          65536      5.0558681      5.8452392         13.50%
file19.txt            67108864          65536     10.1133211     11.6993010         13.56%
file20.txt           134217728         524288     20.2226040     23.3923230         13.55%
file21.txt           268435456          65536     40.4060180     46.6972852         13.47%
file22.txt           536870912          65536     80.9403431     93.4165111         13.36%
file23.txt          1073741824         524288    161.8108051    187.1303582         13.53%
file24.txt          2147483648          65536    323.4812710    374.3899529         13.60%

的Chunked Time是当文件被分成卡盘和增量hased执行时间; Complete Time当整个文件被一次性散列时，这是执行时间。这%diff是分块时间和“完成时间”之间的百分比差异。

观察：

1. 对于较小的文件大小，块大小几乎总是等于文件大小，采用任何一种方法似乎都没有优势。
2. 对于较大的文件（33554432 ( 2**25) 字节及以上），使用增量方法而不是一次性散列整个文件似乎有相当大的性能优势（更少的时间）。
3. 对于较大的文件，最好的块/缓冲区大小是 65536 ( 2**16) 字节

注释：python 2.7.3；Ubuntu 12.06 64 位；8 GB RAM 用于此的代码可在此处获得... http://pastebin.com/VxH7bL2X