用Python生成测试数据

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。

# 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

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。

# 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

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。

#include 
#include 
#include 
#include 

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

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。