代码之家 › 专栏 › 技术社区 › moinudin

用Python读取大型文件

large-files file-io performance python

moinudin · 技术社区 · 17 年前

我有一个384MB的文本文件,有5000万行。每行包含两个空格分隔的整数:一个键和一个值。该文件按键排序。我需要一种在Python中查找大约200个键的列表值的有效方法。

下面是我目前的做法。需要30秒。必须有更高效的Python-foo,才能将其降低到最多几秒钟的合理效率。

# list contains a sorted list of the keys we need to lookup
# there is a sentinel at the end of list to simplify the code
# we use pointer to iterate through the list of keys
for line in fin:
  line = map(int, line.split())
  while line[0] == list[pointer].key:
    list[pointer].value = line[1]
    pointer += 1
  while line[0] > list[pointer].key:
    pointer += 1
  if pointer >= len(list) - 1:
    break # end of list; -1 is due to sentinel

编码二进制搜索+搜索解决方案(感谢kigurai!):

entries = 24935502 # number of entries
width   = 18       # fixed width of an entry in the file padded with spaces
                   # at the end of each line
for i, search in enumerate(list): # list contains the list of search keys
  left, right = 0, entries-1 
  key = None
  while key != search and left <= right:
    mid = (left + right) / 2
    fin.seek(mid * width)
    key, value = map(int, fin.readline().split())
    if search > key:
      left = mid + 1
    else:
      right = mid - 1
  if key != search:
    value = None # for when search key is not found
  search.result = value # store the result of the search

8 回复 | 直到 16 年前

Hannes Ovrén 17 年前

如果你只需要5000万行中的200行,那么把它全部读入内存是一种浪费。我会对搜索键列表进行排序,然后使用seek()或类似的方法对文件应用二进制搜索。这样您就不会将整个文件读取到内存中,我认为这样会加快速度。

Chris Upchurch 17 年前

S.Lotts答案的轻微优化:

from collections import defaultdict
keyValues= defaultdict(list)
targetKeys= # some list of keys as strings
for line in fin:
    key, value = line.split()
    if key in targetKeys:
        keyValues[key].append( value )

因为我们使用的是字典而不是列表,所以键不必是数字。这将为每行保存map()操作和字符串到整数的转换。如果希望键是数字,请在结束时进行转换,此时只需对每个键执行一次转换,而不是对5000万行中的每一行执行一次转换。

S.Lott 17 年前

现在还不清楚“列表[指针]”是关于什么的。然而,考虑一下这一点。

from collections import defaultdict
keyValues= defaultdict(list)
targetKeys= # some list of keys
for line in fin:
    key, value = map( int, line.split())
    if key in targetKeys:
        keyValues[key].append( value )

Bastien Léonard 17 年前

我将使用内存映射: http://docs.python.org/library/mmap.html

Joe Koberg 17 年前

这里是对文本文件的递归二进制搜索

import os, stat

class IntegerKeyTextFile(object):
    def __init__(self, filename):
        self.filename = filename
        self.f = open(self.filename, 'r')
        self.getStatinfo()

    def getStatinfo(self):
        self.statinfo = os.stat(self.filename)
        self.size = self.statinfo[stat.ST_SIZE]

    def parse(self, line):
        key, value = line.split()
        k = int(key)
        v = int(value)
        return (k,v)

    def __getitem__(self, key):
        return self.findKey(key)

    def findKey(self, keyToFind, startpoint=0, endpoint=None):
        "Recursively search a text file"

        if endpoint is None:
            endpoint = self.size

        currentpoint = (startpoint + endpoint) // 2

        while True:
            self.f.seek(currentpoint)
            if currentpoint <> 0:
                # may not start at a line break! Discard.
                baddata = self.f.readline() 

            linestart = self.f.tell()
            keyatpoint = self.f.readline()

            if not keyatpoint:
                # read returned empty - end of file
                raise KeyError('key %d not found'%(keyToFind,))

            k,v = self.parse(keyatpoint)

            if k == keyToFind:
                print 'key found at ', linestart, ' with value ', v
                return v

            if endpoint == startpoint:
                    raise KeyError('key %d not found'%(keyToFind,))

            if k > keyToFind:
                return self.findKey(keyToFind, startpoint, currentpoint)
            else:
                return self.findKey(keyToFind, currentpoint, endpoint)

在jEdit中创建的示例文本文件似乎有效:

>>> i = integertext.IntegerKeyTextFile('c:\\sampledata.txt')
>>> i[1]
key found at  0  with value  345
345

Will Hartung 17 年前

如果您可以控制文件的格式,“排序和二进制搜索”响应是正确的。细节是,这只适用于固定大小和偏移量的记录(我应该说,它只适用于固定长度的记录)。

对于固定长度的记录,您可以轻松地在已排序的文件中查找()以查找密钥。

Il-Bhima 17 年前

一种可能的优化是使用 sizehint 选择权 file.readlines(..) sizehint 字节。

vartec 17 年前

您需要使用seek()实现二进制搜索