代码之家 › 专栏 › 技术社区 › SyncMaster

Python-如何在大文件中搜索字符串

file-search python-3.x python

1

SyncMaster · 技术社区 · 8 年前

file_+0.txt, file_[]1.txt, file_~8.txt

我想找到失踪的人 files_*.txt 直到某个数字。

1 and 4

asdffile_[0.txtsadfe
asqwffile_~2.txtsafwe
awedffile_[]2.txtsdfwe
qwefile_*0.txtsade
zsffile_+3.txtsadwe

我写了一个Python脚本,我可以给它文件路径和一个数字,它会给我所有在这个数字之前丢失的文件名。

我的程序适用于小文件。但当我给一个大文件(12MB)时,它的文件号可以达到10000,它只是挂起。

这是我当前的Python代码

#! /usr/bin/env/python
import mmap
import re

def main():
    filePath = input("Enter file path: ")
    endFileNum = input("Enter end file number: ")
    print(filePath)
    print(endFileNum)
    filesMissing = []
    filesPresent = []
    f = open(filePath, 'rb', 0)
    s = mmap.mmap(f.fileno(), 0, access=mmap.ACCESS_READ)
    for x in range(int(endFileNum)):
        myRegex = r'(.*)file(.*)' + re.escape(str(x)) + r'\.txt'
        myRegex = bytes(myRegex, 'utf-8')
        if re.search(myRegex, s):
            filesPresent.append(x)
        else:
            filesMissing.append(x)
    #print(filesPresent)
    print(filesMissing)

if __name__ == "__main__":
    main()

当我给出一个12MB的文件时,输出挂起,该文件可以包含从0到9999的文件

$python findFileNumbers.py
Enter file path: abc.log
Enter end file number: 10000

小文件的输出(与上述示例相同)

$python findFileNumbers.py
Enter file path: sample.log
Enter end file number: 5
[0, 2, 3]
[1, 4]

我怎样才能使它适用于大文件?
有没有更好的方法来获得这些结果而不是Python脚本?

提前感谢!

3 回复 | 直到 8 年前

1

2

balki 8 年前

首先收集集合中现有的,然后寻找缺失的。

my_regex = re.compile('.*file.*(\d+)\.txt.*')
present_ones = set()
for line in open(filepath):
    match = my_regex.match(line)
    if match:
       present_ones.add(int(match.group(1)))
for num in range(...):
    if num not in present_ones:
        print("Missing" + num)

2

1

Bill Bell 8 年前

我建议您只需逐行阅读输入文件,并分析每一行的文件号。然后使用该文件号作为布尔数组的索引,最初设置为False。

您不需要执行任何需要将文件存储在内存中的处理。这种方法适用于非常大的文件。

#~ import mmap
import re
import numpy as np

def main():
    #~ filePath = input("Enter file path: ")
    filePath = 'filenames.txt'
    #~ endFileNum = input("Enter end file number: ")
    endFileNum = 5
    print(filePath)
    print(endFileNum)
    found = np.zeros(1+endFileNum, dtype=bool)
    patt = re.compile(r'[^\d]+(\d+)')
    with open(filePath) as f:
        for line in f.readlines():
            r = patt.search(line).groups(0)[0]
            if r:
                found[int(r)]=True
    print (found)

    #~ filesMissing = []
    #~ filesPresent = []
    #~ files = np.zeros[endFileNum, dtype=bool]
    #~ f = open(filePath, 'rb', 0)
    #~ s = mmap.mmap(f.fileno(), 0, access=mmap.ACCESS_READ)
    #~ for x in range(int(endFileNum)):
        #~ myRegex = r'(.*)file(.*)' + re.escape(str(x)) + r'\.txt'
        #~ myRegex = bytes(myRegex, 'utf-8')
        #~ if re.search(myRegex, s):
            #~ filesPresent.append(x)
        #~ else:
            #~ filesMissing.append(x)
    #print(filesPresent)
    #~ print(filesMissing)

if __name__ == "__main__":
    main()

这将生成以下结果,您的 filesPresent filesMissing

filenames.txt
5
[ True False  True  True False False]

3

1

Community Mohan Dere 6 年前

让我们看看你在这里实际做了什么:

内存映射文件。
对于每个数字

b、在整个文件中搜索正则表达式。

这对于大量数据来说效率很低。而内存映射为您提供了一个字符串对于文件来说,这不是魔术。您仍然可以在其中移动文件的加载块。同时,您正在对每个正则表达式进行传递,可能是对整个文件进行传递。正则表达式匹配也很昂贵。

这里的解决方案是逐行通过文件。如果需要搜索大量数字,则应预编译正则表达式,而不是每个数字编译一次。要在一次传递中获得所有数字,您可以 set 在所有数字中,有一个是你想要的,叫做“失踪”,一个是空的称为“发现”。每当你遇到一行数字,你就会把数字从“缺失”移到“找到”。

filePath = input("Enter file path: ")
endFileNum = int(input("Enter end file number: "))
missing = set(range(endFileNum))
found = set()
regex = re.compile(r'file_.*?(\d+)\.txt')
with open(filePath) as file:
    for line in file:
        for match in regex.finditer(line)
            num = int(match.groups(1))
            if num < endFileNum:
                found.add(num)
missing -= found

注意,正则表达式使用 reluctant quantifier .*? 之后 file_ .*