songhao8080
songhao8080

python读取超大文件 Python读取大文件(GB)

最近处理文本文档时（文件约2GB大小），出现memoryError错误和文件读取太慢的问题，后来找到了两种比较快Large File Reading 的方法，本文将介绍这两种读取方法。

我们谈到“文本处理”时，我们通常是指处理的内容。Python 将文本文件的内容读入可以操作的字符串变量非常容易。文件对象提供了三个“读”方法： .read()、.readline() 和 .readlines()。每种方法可以接受一个变量以限制每次读取的数据量，但它们通常不使用变量。 .read() 每次读取整个文件，它通常用于将文件内容放到一个字符串变量中。然而 .read() 生成文件内容最直接的字符串表示，但对于连续的面向行的处理，它却是不必要的，并且如果文件大于可用内存，则不可能实现这种处理。下面是read()方法示例：

Python
try: f = open('/path/to/file', 'r') print f.read() finally: if f: f.close()
1
2
3
4
5
6
7
try :
     f = open ( '/path/to/file' , 'r' )
     print f . read ( )
finally :
     if f :
         f . close ( )
 

　　调用read()会一次性读取文件的全部内容，如果文件有10G，内存就爆了，所以，要保险起见，可以反复调用read(size)方法，每次最多读取size个字节的内容。另外，调用readline()可以每次读取一行内容，调用readlines()一次读取所有内容并按行返回list。因此，要根据需要决定怎么调用。
　　如果文件很小，read()一次性读取最方便；如果不能确定文件大小，反复调用read(size)比较保险；如果是配置文件，调用readlines()最方便：

Python
for line in f.readlines(): process(line) #
1
2
3
for line in f . readlines ( ) :
     process ( line ) #
 

Read In Chunks

　　处理大文件是很容易想到的就是将大文件分割成若干小文件处理，处理完每个小文件后释放该部分内存。这里用了 iter & yield：

Python
def read_in_chunks(filePath, chunk_size=1024*1024): """ Lazy function (generator) to read a file piece by piece. Default chunk size: 1M You can set your own chunk size """ file_object = open(filePath) while True: chunk_data = file_object.read(chunk_size) if not chunk_data: break yield chunk_data if __name__ == "__main__": filePath = './path/filename' for chunk in read_in_chunks(filePath): process(chunk) #
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
def read_in_chunks ( filePath , chunk_size = 1024 * 1024 ) :
     """
    Lazy function (generator) to read a file piece by piece.
    Default chunk size: 1M
    You can set your own chunk size
    """
     file_object = open ( filePath )
     while True :
         chunk_data = file_object . read ( chunk_size )
         if not chunk_data :
             break
         yield chunk_data
 
if __name__ == "__main__" :
 
     filePath = './path/filename'
     for chunk in read_in_chunks ( filePath ) :
         process ( chunk ) #
 

Using with open()

　　with语句打开和关闭文件，包括抛出一个内部块异常。for line in f文件对象f视为一个迭代器，会自动的采用缓冲IO和内存管理，所以你不必担心大文件。

Python
#If the file is line based with open(...) as f: for line in f: process(line) #
1
2
3
4
5
#If the file is line based
with open ( . . . ) as f :
     for line in f :
         process ( line ) #
 

Conclusion

　　在使用python进行大文件读取时，应该让系统来处理，使用最简单的方式，交给解释器，就管好自己的工作就行了。




你可能感兴趣的:(python读取超大文件 Python读取大文件(GB))

按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他