我有一个过程，可以生长一个NetCDF文件。fn 每5分钟使用 netcdf4.Dataset(fn, mode=a). 我也有一个虚化服务器可视化的NetCDF文件，使用一个 xarray.Dataset (我想保留，因为它很方便)。
问题是 是NetCDF-update-process在尝试添加新数据到 fn 如果它在我的bokeh服务器进程中打开了，通过
ds = xarray.open_dataset(fn)
如果我使用选项 autoclose
ds = xarray.open_dataset(fn, autoclose=True)
更新 fn 而 ds 是 "打开 "在虚化服务器应用程序的工作，但更新到虚化的数字，其中拉时间片从 fn，变得非常滞后。
我的问题是: 在使用NetCDF文件时，是否有另一种方法可以解除NetCDF文件的锁。xarray.Dataset?
我不会在意xarray.Dataset的形状是否只有在重新加载整个散景服务器应用后才会持续更新。
谢谢!
这是一个最小的工作例子。
把这个放到一个文件里，让它运行。
import time
from datetime import datetime
import numpy as np
import netCDF4
fn = 'my_growing_file.nc'
with netCDF4.Dataset(fn, 'w') as nc_fh:
# create dimensions
nc_fh.createDimension('x', 90)
nc_fh.createDimension('y', 90)
nc_fh.createDimension('time', None)
# create variables
nc_fh.createVariable('x', 'f8', ('x'))
nc_fh.createVariable('y', 'f8', ('y'))
nc_fh.createVariable('time', 'f8', ('time'))
nc_fh.createVariable('rainfall_amount',
'i2',
('time', 'y', 'x'),
zlib=False,
complevel=0,
fill_value=-9999,
chunksizes=(1, 90, 90))
nc_fh['rainfall_amount'].scale_factor = 0.1
nc_fh['rainfall_amount'].add_offset = 0
nc_fh.set_auto_maskandscale(True)
# variable attributes
nc_fh['time'].long_name = 'Time'
nc_fh['time'].standard_name = 'time'
nc_fh['time'].units = 'hours since 2000-01-01 00:50:00.0'
nc_fh['time'].calendar = 'standard'
for i in range(1000):
with netCDF4.Dataset(fn, 'a') as nc_fh:
current_length = len(nc_fh['time'])
print('Appending to NetCDF file {}'.format(fn))
print(' length of time vector: {}'.format(current_length))
if current_length > 0:
last_time_stamp = netCDF4.num2date(
nc_fh['time'][-1],
units=nc_fh['time'].units,
calendar=nc_fh['time'].calendar)
print(' last time stamp in NetCDF: {}'.format(str(last_time_stamp)))
else:
last_time_stamp = '1900-01-01'
print(' empty file, starting from scratch')
nc_fh['time'][i] = netCDF4.date2num(
datetime.utcnow(),
units=nc_fh['time'].units,
calendar=nc_fh['time'].calendar)
nc_fh['rainfall_amount'][i, :, :] = np.random.rand(90, 90)
print('Sleeping...\n')
time.sleep(3)
然后，进入IPython，通过打开增长的文件。
ds = xr.open_dataset('my_growing_file.nc')
这将导致附加到NetCDF的进程失败，输出结果如下。
Appending to NetCDF file my_growing_file.nc
length of time vector: 0
empty file, starting from scratch
Sleeping...
Appending to NetCDF file my_growing_file.nc
length of time vector: 1
last time stamp in NetCDF: 2018-04-12 08:52:39.145999
Sleeping...
Appending to NetCDF file my_growing_file.nc
length of time vector: 2
last time stamp in NetCDF: 2018-04-12 08:52:42.159254
Sleeping...
Appending to NetCDF file my_growing_file.nc
length of time vector: 3
last time stamp in NetCDF: 2018-04-12 08:52:45.169516
Sleeping...
---------------------------------------------------------------------------
IOError Traceback (most recent call last)
<ipython-input-17-9950ca2e53a6> in <module>()
37
38 for i in range(1000):
---> 39 with netCDF4.Dataset(fn, 'a') as nc_fh:
40 current_length = len(nc_fh['time'])
41
netCDF4/_netCDF4.pyx in netCDF4._netCDF4.Dataset.__init__()
netCDF4/_netCDF4.pyx in netCDF4._netCDF4._ensure_nc_success()
IOError: [Errno -101] NetCDF: HDF error: 'my_growing_file.nc'
如果使用
ds = xr.open_dataset('my_growing_file.nc', autoclose=True)
没有错误，但访问时间通过 xarray 当然会变慢，这正是我的问题，因为我的仪表板可视化变得非常滞后。
我可以理解，这也许并不是 xarray 如果需要的话，我将回到由 netCDF4 (希望它能支持并发文件访问，至少对读而言)，但我想保留 xarray 为其提供方便。
我在这里回答我自己的问题，因为我找到了一个解决方案，或者更好的说，一个解决这个问题的方法，在Python中NetCDF的文件锁。
一个好的解决方案是使用 扎尔 而不是NetCDF文件，如果你想在一个文件中持续增长一个数据集，同时保持它的开放性，例如实时可视化。
幸运的是 xarray 现在也可以轻松地将数据添加到现有的zarr文件中，沿着选定的维度使用 append_dim 关键词争论感谢 合并后的公关公司.
在我的问题中，使用 zarr 而不是 NetCDF 的代码是这样的。
import dask.array as da
import xarray as xr
import pandas as pd
import datetime
import time
fn = '/tmp/my_growing_file.zarr'
# Creat a dummy dataset and write it to zarr
data = da.random.random(size=(30, 900, 1200), chunks=(10, 900, 1200))
t = pd.date_range(end=datetime.datetime.utcnow(), periods=30, freq='1s')
ds = xr.Dataset(
data_vars={'foo': (('time', 'y', 'x'), data)},
coords={'time': t},
)
#ds.to_zarr(fn, mode='w', encoding={'foo': {'dtype': 'int16', 'scale_factor': 0.1, '_FillValue':-9999}})
#ds.to_zarr(fn, mode='w', encoding={'time': {'_FillValue': -9999}})
ds.to_zarr(fn, mode='w')
# Append new data in smaller chunks
for i in range(100):
print('Sleeping for 10 seconds...')
time.sleep(10)
data = 0.01 * i + da.random.random(size=(7, 900, 1200), chunks=(7, 900, 1200))
t = pd.date_range(end=datetime.datetime.utcnow(), periods=7, freq='1s')
ds = xr.Dataset(
data_vars={'foo': (('time', 'y', 'x'), data)},
coords={'time': t},
)
print(f'Appending 7 new time slices with latest time stamp {t[-1]}')
ds.to_zarr(fn, append_dim='time')
然后你可以打开另一个Python进程，比如IPython，然后执行：
ds = xr.open_zarr('/tmp/my_growing_file.zarr/')
一遍又一遍，而不会使编写过程崩溃。
我在这个例子中使用了xarray verion 0.15.0和zarr 2.4.0版本。
一些补充说明。
请注意，这个例子中的代码故意以小块的方式追加，不均匀地划分zarr文件中的分块大小，看看这对分块有什么影响。从我的测试来看，我可以说zarr文件最初选择的chunk大小被保留了下来，这很好!
另外，请注意，代码在追加时产生了一个警告，原因是 datetime64 数据以整数形式编码和存储，由 xarray 以符合 NetCDF 的 CF 惯例。这也适用于zarr文件，但是目前看来 _FillValue 是不会自动设置的。只要你没有 NaT 在你的时间数据中，这应该没有问题。
声明：我还没有用一个更大的数据集和一个长期运行的过程来增长文件，所以我不能评论最终的性能下降或其他问题，如果zarr文件或它的元数据以某种方式从这个过程中得到碎片，可能会发生。