Unikanie wycieków pamięci dzięki Scalaz 7 zipWithIndex / group enumeratees

tło

Jak wspomniano w tym pytaniu , używam iteracji Scalaz 7 do przetwarzania dużego (tj. Nieograniczonego) strumienia danych w stałej przestrzeni sterty.

Mój kod wygląda tak:

type ErrorOrT[M[+_], A] = EitherT[M, Throwable, A]
type ErrorOr[A] = ErrorOrT[IO, A]

def processChunk(c: Chunk, idx: Long): Result

def process(data: EnumeratorT[Chunk, ErrorOr]): IterateeT[Vector[(Chunk, Long)], ErrorOr, Vector[Result]] =
  Iteratee.fold[Vector[(Chunk, Long)], ErrorOr, Vector[Result]](Nil) { (rs, vs) =>
    rs ++ vs map { 
      case (c, i) => processChunk(c, i) 
    }
  } &= (data.zipWithIndex mapE Iteratee.group(P))

Problem

Wygląda na to, że napotkałem wyciek pamięci, ale nie jestem wystarczająco zaznajomiony ze Scalaz / FP, aby wiedzieć, czy błąd jest w Scalaz, czy w moim kodzie. Intuicyjnie oczekuję, że ten kod będzie wymagał tylko (rzędu) P- krotności Chunkspacji.

Uwaga: znalazłem podobne pytanie, w którym OutOfMemoryErrornapotkano, ale mój kod nie używa consume.

Testowanie

Przeprowadziłem kilka testów, aby spróbować wyodrębnić problem. Podsumowując, wyciek pojawia się tylko wtedy, gdy używane są oba zipWithIndexi group.

// no zipping/grouping
scala> (i1 &= enumArrs(1 << 25, 128)).run.unsafePerformIO
res47: Long = 4294967296

// grouping only
scala> (i2 &= (enumArrs(1 << 25, 128) mapE Iteratee.group(4))).run.unsafePerformIO
res49: Long = 4294967296

// zipping and grouping
scala> (i3 &= (enumArrs(1 << 25, 128).zipWithIndex mapE Iteratee.group(4))).run.unsafePerformIO
java.lang.OutOfMemoryError: Java heap space

// zipping only
scala> (i4 &= (enumArrs(1 << 25, 128).zipWithIndex)).run.unsafePerformIO
res51: Long = 4294967296

// no zipping/grouping, larger arrays
scala> (i1 &= enumArrs(1 << 27, 128)).run.unsafePerformIO
res53: Long = 17179869184

// zipping only, larger arrays
scala> (i4 &= (enumArrs(1 << 27, 128).zipWithIndex)).run.unsafePerformIO
res54: Long = 17179869184

Kod do testów:

import scalaz.iteratee._, scalaz.effect.IO, scalaz.std.vector._

// define an enumerator that produces a stream of new, zero-filled arrays
def enumArrs(sz: Int, n: Int) = 
  Iteratee.enumIterator[Array[Int], IO](
    Iterator.continually(Array.fill(sz)(0)).take(n))

// define an iteratee that consumes a stream of arrays 
// and computes its length
val i1 = Iteratee.fold[Array[Int], IO, Long](0) { 
  (c, a) => c + a.length 
}

// define an iteratee that consumes a grouped stream of arrays 
// and computes its length
val i2 = Iteratee.fold[Vector[Array[Int]], IO, Long](0) { 
  (c, as) => c + as.map(_.length).sum 
}

// define an iteratee that consumes a grouped/zipped stream of arrays
// and computes its length
val i3 = Iteratee.fold[Vector[(Array[Int], Long)], IO, Long](0) {
  (c, vs) => c + vs.map(_._1.length).sum
}

// define an iteratee that consumes a zipped stream of arrays
// and computes its length
val i4 = Iteratee.fold[(Array[Int], Long), IO, Long](0) {
  (c, v) => c + v._1.length
}

pytania

• Czy błąd występuje w moim kodzie?
• Jak mogę sprawić, by to działało w stałej przestrzeni sterty?

Będzie to mała pociecha dla każdego, kto utknął w starszym iterateeAPI, ale niedawno sprawdziłem, że równoważny test przechodzi w stosunku do API scalaz-stream . To jest nowszy interfejs API przetwarzania strumienia, który ma zastąpić iteratee.

Aby uzyskać kompletność, oto kod testowy:

// create a stream containing `n` arrays with `sz` Ints in each one
def streamArrs(sz: Int, n: Int): Process[Task, Array[Int]] =
  (Process emit Array.fill(sz)(0)).repeat take n

(streamArrs(1 << 25, 1 << 14).zipWithIndex 
      pipe process1.chunk(4) 
      pipe process1.fold(0L) {
    (c, vs) => c + vs.map(_._1.length.toLong).sum
  }).runLast.run

Powinno to zadziałać z dowolną wartością nparametru (pod warunkiem, że chcesz czekać wystarczająco długo) - testowałem z 2 ^ 14 tablicami 32 MiB (czyli łącznie pół TiB pamięci przydzielonej w czasie).