需求：

小明是一位 Python 初學者，在學習了如何用 Python 讀取文件后，他想要做一個小練習：計算某個文件中數(shù)字字符（0～9）的數(shù)量。

場景1：小文件處理

假設(shè)現(xiàn)在有一個測試用的小文件 small_file.txt，里面包含了一行行的隨機字符串：

feiowe9322nasd9233rl
aoeijfiowejf8322kaf9a
...

代碼示例：file_process.py

def count_digits(fname):
    """計算文件里包含多少個數(shù)字字符"""
    count = 0
   
     with open(fname) as file:
        for line in file:
            for s in line:
                if s.isdigit():
                    count += 1
    return count
 
 
fname = "./small_file.txt"
print(count_digits(fname))

運行結(jié)果：

# 運行腳本
python3 ./file_process.py
 
# 輸出結(jié)果
13

場景2：大文件處理

假設(shè)現(xiàn)在我們的大文件big_file.txt，大小有5G，且所有的文本都在一行。

大文件 big_file.txt

df2if283rkwefh... <剩余 5 GB 大小> ...

卻發(fā)現(xiàn)同樣的程序花費了一分多鐘才給出結(jié)果，并且整個執(zhí)行過程耗光了筆記本電腦的全部 4G 內(nèi)存。

問題分析：

為什么同一份代碼用于大文件時，效率就會變低這么多呢？原因就藏在小明讀取文件的方法里。

在代碼里所使用的文件讀取方式，可謂 Python 里的“標準做法”：首先用 with open (fine_name) 上下文管理器語法獲得一個文件對象，然后用 for 循環(huán)迭代它，逐行獲取文件里的內(nèi)容。為什么這種文件讀取方式會成為標準？這是因為它有兩個好處：

(1) with 上下文管理器會自動關(guān)閉文件描述符；

(2) 在迭代文件對象時，內(nèi)容是一行一行返回的，不會占用太多內(nèi)存。

不過這套標準做法雖好，但不是沒有缺點。假如被讀取的文件里 根本就沒有任何換行符，那么上面列的第 (2) 個好處就不再成立。缺少換行符以后，程序遍歷文件對象時就不知道該何時中斷，最終只能一次性生成一個巨大的字符串對象，白白消耗大量時間和內(nèi)存。這就是 count_digits() 函數(shù)在處理 big_file.txt 時變得異常緩慢的原因。

要解決這個問題，我們需要把這種讀取文件的“標準做法”暫時放到一邊。

解決方法：

使用 while 循環(huán)加 read() 方法分塊讀取。

除了直接遍歷文件對象來逐行讀取文件內(nèi)容外，我們還可以調(diào)用更底層的 file.read() 方法。與直接用循環(huán)迭代文件對象不同，每次調(diào)用 file.read(chunk_size), 會馬上讀取從當前游標位置往后 chunk_size 大小的文件內(nèi)容，不必等待任何換行符出現(xiàn)。有了 file.read() 方法的幫助，優(yōu)化后的代碼：

def count_digits_v2(fname):
    """計算文件里包含多少個數(shù)字字符，每次讀取 8 KB"""
    count = 0
    block_size = 1024 * 8
    with open(fname) as file:
        while True:
            chunk = file.read(block_size)
            # 當文件沒有更多內(nèi)容時，read 調(diào)用將會返回空字符串 ''
            if not chunk:
                break
            for s in chunk:
                if s.isdigit():
                    count += 1
    return count
 
 
fname = "./big_file.txt"
print(count_digits_v2(fname))

在新函數(shù)中，我們使用了一個 while 循環(huán)來讀取文件內(nèi)容，每次最多讀 8 KB，程序不再需要在內(nèi)存中拼接長達數(shù)吉字節(jié)的字符串，內(nèi)存占用會大幅降低。

（吉字節(jié)是一種數(shù)據(jù)存儲單位，通常用于表示大容量存儲設(shè)備的容量大小。它等于1024^3（1,073,741,824）字節(jié)，或者1,024兆字節(jié)。在計算機領(lǐng)域，常用于描述大型文件、程序或數(shù)據(jù)集的大小，例如硬盤容量、內(nèi)存容量等。）

拓展：用Python讀取超大文件中的部分行

Python文件讀取一直是python的常見用法，通用方法是直接readlines加載所有行。
但是，對于超大文件（如100G的tsv），直接加載所有行會非常慢。

如果是想遍歷整個文件并處理每一行，其實并不需要一次加載所有行。

這里用迭代器的方法來讀取文件：

file_name = 'all_items.tsv'
start_line = 110000
end_line = 120000
with open(file_name) as f:
	for i in range(0, start_line):
        next(f)
    lines = [next(f) for i in range(start_line, end_line)]
print(len(lines))

對于大文件all_items.tsv，咱們只讀取某一個區(qū)間的行來進行處理。先用迭代器滾動到start_line的位置，再開始讀取。
如果咱們可以利用迭代器，把這個文件的行遍歷一遍（并對行進行處理）：

file_name = 'all_items.tsv'
def process_line(line):
    return line
with open(file_name) as f:
    while True:
        try:
            line = next(f)
            process_line(line)
        except StopIteration:
            break

用一個while循環(huán)就可以完成從頭到尾行的遍歷。

以上就是Python3讀取和處理超大文件的操作詳解的詳細內(nèi)容，更多關(guān)于Python3讀取和處理超大文件的資料請關(guān)注腳本之家其它相關(guān)文章！

最新評論