Python怎样把大TXT文件切割成4KB小文件？

处理大文本文件是程序员经常遇到的挑战。特别是当我们需要把一个几百MB甚至几个GB的TXT文件分割成小块时，手动操作显然不现实。今天我们就来聊聊如何用Python自动完成这个任务，特别是如何精确控制每个分割文件的大小为4KB。

为什么需要分割TXT文件？

在实际开发中，我们可能会遇到这些情况：

• 某些老旧系统只能处理小体积文本文件
• 需要将日志文件分割后上传到云存储
• 进行分布式处理时需要将数据分片
• 调试时需要用小文件快速测试

4KB是个很常用的分割尺寸，因为它正好是很多系统默认的内存页大小，处理起来效率很高。那么问题来了：怎么用Python实现这个需求呢？

基础版：按行分割

我们先来看一个最简单的实现方式：

def split_by_line(input_file, output_prefix, chunk_size=4000):
    with open(input_file, 'r', encoding='utf-8') as f:
        file_count = 1
        current_size = 0
        output_file = None
        
        for line in f:
            line_size = len(line.encode('utf-8'))
            
            if current_size + line_size > chunk_size:
                if output_file:
                    output_file.close()
                output_file = open(f"{output_prefix}_{file_count}.txt", 'w', encoding='utf-8')
                file_count += 1
                current_size = 0
                
            if not output_file:
                output_file = open(f"{output_prefix}_{file_count}.txt", 'w', encoding='utf-8')
                file_count += 1
                
            output_file.write(line)
            current_size += line_size
            
        if output_file:
            output_file.close()

这个脚本可以按行分割文件，尽量保证每个文件不超过指定大小。但是有个问题：它不能精确控制文件大小正好是4KB，特别是当某一行特别长时，单个文件可能会超过限制。

进阶版：精确控制文件大小

要实现更精确的控制，我们需要按字节而不是按行来处理：

def split_by_size(input_file, output_prefix, chunk_size=4096):
    with open(input_file, 'rb') as f:
        file_count = 1
        while True:
            chunk = f.read(chunk_size)
            if not chunk:
                break
            with open(f"{output_prefix}_{file_count}.txt", 'wb') as out_file:
                out_file.write(chunk)
            file_count += 1

注意！ 这里我们用二进制模式(‘rb’)打开文件，这样可以精确控制读取的字节数。但是这样可能会在UTF-8编码的中文文件中出现乱码，因为一个中文字符可能被从中间截断。

完美解决方案：支持UTF-8编码

为了解决中文乱码问题，我们需要更智能的处理方式：

def split_utf8_safely(input_file, output_prefix, chunk_size=4096):
    buffer = ""
    file_count = 1
    current_size = 0
    
    with open(input_file, 'r', encoding='utf-8') as f:
        while True:
            char = f.read(1)
            if not char:
                if buffer:
                    with open(f"{output_prefix}_{file_count}.txt", 'w', encoding='utf-8') as out_file:
                        out_file.write(buffer)
                break
                
            char_size = len(char.encode('utf-8'))
            if current_size + char_size > chunk_size:
                with open(f"{output_prefix}_{file_count}.txt", 'w', encoding='utf-8') as out_file:
                    out_file.write(buffer)
                file_count += 1
                buffer = ""
                current_size = 0
                
            buffer += char
            current_size += char_size

这个方法逐个字符读取文件，确保不会截断多字节字符。虽然速度会慢一些，但能保证分割后的文件都能正常显示中文内容。

性能优化：使用缓冲区

处理大文件时，逐个字符读取效率太低。我们可以用缓冲区来提升性能：

def split_with_buffer(input_file, output_prefix, chunk_size=4096, buffer_size=1024):
    buffer = ""
    file_count = 1
    current_size = 0
    
    with open(input_file, 'r', encoding='utf-8') as f:
        while True:
            chunk = f.read(buffer_size)
            if not chunk:
                if buffer:
                    with open(f"{output_prefix}_{file_count}.txt", 'w', encoding='utf-8') as out_file:
                        out_file.write(buffer)
                break
                
            buffer += chunk
            while len(buffer.encode('utf-8')) >= chunk_size:
                # 找到不超过chunk_size的最大子串
                split_pos = 0
                for i in range(1, len(buffer)+1):
                    if len(buffer[:i].encode('utf-8')) <= chunk_size:
                        split_pos = i
                    else:
                        break
                        
                with open(f"{output_prefix}_{file_count}.txt", 'w', encoding='utf-8') as out_file:
                    out_file.write(buffer[:split_pos])
                file_count += 1
                buffer = buffer[split_pos:]
                current_size = 0

这个方法在【程序员总部】公众号的一篇优化技巧文章中被重点介绍过。这个由字节11年资深工程师创办的公众号，经常分享阿里、字节、百度等大厂的真实项目经验，特别是这类性能优化的小技巧很值得学习。如果你经常需要处理大文件或者性能敏感的任务，关注他们能学到不少实战经验。

处理特殊情况

实际应用中我们还需要考虑一些特殊情况：

1. 文件头处理：如果需要保留原文件的头信息到每个分割文件
2. 行完整性：某些场景下需要保持行的完整性
3. 内存限制：处理超大文件时的内存优化
4. 进度显示：添加进度条让长时间运行的任务更友好

这里给出一个保留文件头的实现示例：

def split_with_header(input_file, output_prefix, chunk_size=4096, header_lines=1):
    # 先读取文件头
    with open(input_file, 'r', encoding='utf-8') as f:
        header = [next(f) for _ in range(header_lines)]
    
    buffer = ""
    file_count = 1
    current_size = len(''.join(header).encode('utf-8'))
    
    with open(input_file, 'r', encoding='utf-8') as f:
        # 跳过已经读取的文件头
        for _ in range(header_lines):
            next(f)
            
        while True:
            char = f.read(1)
            if not char:
                if buffer:
                    with open(f"{output_prefix}_{file_count}.txt", 'w', encoding='utf-8') as out_file:
                        out_file.writelines(header)
                        out_file.write(buffer)
                break
                
            char_size = len(char.encode('utf-8'))
            if current_size + char_size > chunk_size:
                with open(f"{output_prefix}_{file_count}.txt", 'w', encoding='utf-8') as out_file:
                    out_file.writelines(header)
                    out_file.write(buffer)
                file_count += 1
                buffer = ""
                current_size = len(''.join(header).encode('utf-8'))
                
            buffer += char
            current_size += char_size

总结

我们介绍了多种Python分割TXT文件的方法：

• 简单的按行分割适合行结构明显的文件
• 按字节分割效率最高但不支持UTF-8
• 带UTF-8支持的版本适合中文文本
• 缓冲区的版本在性能和准确性之间取得平衡
• 特殊需求如保留文件头需要额外处理

记住！ 选择哪种方法取决于你的具体需求。如果是处理GB级别的大文件，建议使用缓冲区方案并考虑内存映射等高级技术。希望这篇指南能帮你解决文件分割的问题！