Python文本處理之按行處理大文件的方法
以行的形式讀出一個(gè)文件最簡(jiǎn)單的方式是使用文件對(duì)象的readline()、readlines()和xreadlines()方法。
Python2.2+為這種頻繁的操作提供了一個(gè)簡(jiǎn)化的語(yǔ)法——讓文件對(duì)象自身在行上高效迭代(這種迭代是嚴(yán)格的向前的)。
為了讀取整個(gè)文件,可能要使用read()方法,且使用字符串的split()來(lái)將它拆分WEIGHT行或其他塊。
下面是一些例子:
>>> for line in open('chap1.txt'): # Python 2.2+
... # process each line in some manner
... pass
...
>>> linelist = open('chap1.txt').readlines()
>>> print linelist[1849],
EXERCISE: Working with lines from a large file
>>> txt = open('chap1.txt').read()
>>> from os import linesep
>>> linelist2 = txt.split(linesep)
如果文件不大,讀取整個(gè)文件內(nèi)容也沒有關(guān)系。但如果是大文件,時(shí)間和內(nèi)存就是要重點(diǎn)關(guān)注的了。比如,復(fù)雜文檔或者活動(dòng)日志文件,通常有上M,甚至很多G的大小。就算這些文件的內(nèi)容沒有超出可用內(nèi)存的尺寸,讀取他們?nèi)匀皇窍喈?dāng)耗時(shí)的。
很明顯,如果你需要處理文件的每一行,那就必須讀取整個(gè)文件;如果可以按序列處理,xreadlines方法是一種更節(jié)約內(nèi)存的方法。但是對(duì)于那些僅僅需要一個(gè)大文件的一部分行的應(yīng)用,要獲得提高其實(shí)并不難。對(duì)于這一點(diǎn),模塊“l(fā)inecache”非常合適。
具有緩存功能的行列表
使用linecache可以直接從一個(gè)文件中讀取指定行:
>>> import linecache
>>> print linecache.getline('chap1.txt',1850),
PROBLEM: Working with lines from a large file
記住,linecache.getline()的計(jì)數(shù)是從1開始的。
如果有一個(gè)即具有“l(fā)inecache”的效率,又有列表的一些功能的對(duì)象就好了。這個(gè)對(duì)象不僅可以枚舉和索引,同時(shí)還支持切片。
#------------------ cachedlinelist.py --------------------#
import linecache, types
class CachedLineList:
# Note: in Python 2.2+, it is probably worth including:
# __slots__ = ('_fname')
# ...and inheriting from 'object'
def __init__(self, fname):
self._fname = fname
def __getitem__(self, x):
if type(x) is types.SliceType:
return [linecache.getline(self._fname, n+1)
for n in range(x.start, x.stop, x.step)]
else:
return linecache.getline(self._fname, x+1)
def __getslice__(self, beg, end):
# pass to __getitem__ which does extended slices also
return self[beg:end:1]
使用這個(gè)新對(duì)象幾乎和使用一個(gè)由“open(fname).readlines()”創(chuàng)建的列表一樣。除了它的效率要更高之外(特別是在內(nèi)存使用方面):
>>> from cachedlinelist import CachedLineList
>>> cll = CachedLineList('../chap1.txt')
>>> cll[1849]
' PROBLEM: Working with lines from a large file\r\n'
>>> for line in cll[1849:1851]: print line,
...
PROBLEM: Working with lines from a large file
----------------------------------------------------------
>>> for line in cll[1853:1857:2]: print line,
...
a matter of using the '.readline()', '.readlines()' and
simplified syntax for this frequent operation by letting the
隨機(jī)行
有時(shí)候,特別是為了測(cè)試,可能需要檢查某些典型的行。人們很容易就誤認(rèn)為一個(gè)對(duì)文本的前面幾行和后面幾行有效的處理就能適用任何其他地方。很不幸,很多文件的前幾行和最后幾行通常都是非典型的:有時(shí)候是消息頭或注腳,有時(shí)候可能是開發(fā)時(shí)的日志文件的前幾行等等。窮舉測(cè)試整個(gè)文件并不是你想要的,通常這樣也非常的耗時(shí)。
在大多數(shù)系統(tǒng)上,查找一個(gè)文件中的特定位置要比讀出該位置前的所有內(nèi)容直到到達(dá)該位置快的多。
就算使用linecache,要到達(dá)緩存行,你也需要一個(gè)字節(jié)一個(gè)字節(jié)的讀取前面的內(nèi)容。從一個(gè)大文件中找隨機(jī)行的最快的方式是,先找到一個(gè)隨機(jī)位置,然后讀取該位置相對(duì)前后的少數(shù)字節(jié)。
#-------------------- randline.py ------------------------#
#!/usr/bin/python
"""Iterate over random lines in a file (req Python 2.2+)
From command-line use: % randline.py <fname> <numlines>
"""
import sys
from os import stat, linesep
from stat import ST_SIZE
from random import randrange
MAX_LINE_LEN = 4096
#-- Iterable class
class randline(object):
__slots__ = ('_fp','_size','_limit')
def __init__(self, fname, limit=sys.maxint):
self._size = stat(fname)[ST_SIZE]
self._fp = open(fname,'rb')
self._limit = limit
def __iter__(self):
return self
def next(self):
if self._limit <= 0:
raise StopIteration
self._limit -= 1
pos = randrange(self._size)
priorlen = min(pos, MAX_LINE_LEN) # maybe near start
self._fp.seek(pos-priorlen)
# Add extra linesep at beg/end in case pos at beg/end
prior = linesep + self._fp.read(priorlen)
post = self._fp.read(MAX_LINE_LEN) + linesep
begln = prior.rfind(linesep) + len(linesep)
endln = post.find(linesep)
return prior[begln:]+post[:endln]
#-- Use as command-line tool
if __name__=='__main__':
fname, numlines = sys.argv[1], int(sys.argv[2])
for line in randline(fname, numlines):
print line
關(guān)于上面的實(shí)現(xiàn),需要注意以下細(xì)節(jié):
(1)在行迭代中,相同的行可能會(huì)被多次選中。當(dāng)然,如果你只是從大文件中選很少行的話,這種情況通常不會(huì)出現(xiàn)。
(2)既然是選中包含隨機(jī)位置的行,那就意味著更 有可能選擇長(zhǎng)的行(譯注:這是為什么?沒有明白)。
本文翻譯自Text Processing in Python
中“PROBLEM: Working with lines from a large file”
以上這篇Python文本處理之按行處理大文件的方法就是小編分享給大家的全部?jī)?nèi)容了,希望能給大家一個(gè)參考,也希望大家多多支持腳本之家。
相關(guān)文章
python機(jī)器人運(yùn)動(dòng)范圍問題的解答
這篇文章主要為大家詳細(xì)解答了python機(jī)器人的運(yùn)動(dòng)范圍問題,具有一定的參考價(jià)值,感興趣的小伙伴們可以參考一下2019-04-04
淺談django框架集成swagger以及自定義參數(shù)問題
這篇文章主要介紹了淺談django框架集成swagger以及自定義參數(shù)問題,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過來(lái)看看吧2020-07-07
Python Socket庫(kù)基礎(chǔ)方法與應(yīng)用詳解
這篇文章主要介紹了關(guān)于Python socket庫(kù)的詳細(xì)技術(shù)解析,包含基礎(chǔ)方法說明、工作原理剖析,以及多個(gè)應(yīng)用領(lǐng)域的完整實(shí)現(xiàn)代碼,對(duì)大家的學(xué)習(xí)或工作有一定的幫助,需要的朋友可以參考下2025-04-04
使用Python實(shí)現(xiàn)提取PDF文件中指定頁(yè)面的內(nèi)容
在日常工作和學(xué)習(xí)中,我們經(jīng)常需要從PDF文件中提取特定頁(yè)面的內(nèi)容,本文主要為大家詳細(xì)介紹了如何使用Python編程語(yǔ)言和兩個(gè)強(qiáng)大的庫(kù)——pymupdf和wxPython來(lái)實(shí)現(xiàn)這個(gè)任務(wù),需要的可以了解下2023-12-12
利用Tkinter和matplotlib兩種方式畫餅狀圖的實(shí)例
下面小編就為大家?guī)?lái)一篇利用Tkinter和matplotlib兩種方式畫餅狀圖的實(shí)例。小編覺得挺不錯(cuò)的,現(xiàn)在就分享給大家,也給大家做個(gè)參考。一起跟隨小編過來(lái)看看吧,希望對(duì)大家有所幫助2017-11-11

