У меня очень большой файл 4 ГБ, и когда я пытаюсь прочитать его, мой компьютер зависает. Поэтому я хочу прочитать его по частям и после обработки каждой части хранить обработанную часть в другой файл и читать следующую часть.
Есть ли какой-либо метод для yield этих фрагментов?
Мне бы хотелось иметь ленивый метод.
Чтобы написать ленивую функцию, просто используйте yield:
def read_in_chunks(file_object, chunk_size=1024):
"""Lazy function (generator) to read a file piece by piece.
Default chunk size: 1k."""
while True:
data = file_object.read(chunk_size)
if not data:
break
yield data
f = open('really_big_file.dat')
for piece in read_in_chunks(f):
process_data(piece)
Другой вариант - использовать iter и вспомогательную функцию:
f = open('really_big_file.dat')
def read1k():
return f.read(1024)
for piece in iter(read1k, ''):
process_data(piece)
Если файл является строковым, объект файл уже является ленивым генератором строк:
for line in open('really_big_file.dat'):
process_data(line)
Если ваш компьютер, операционная система и python являются 64-разрядными, то вы можете использовать модуль mmap для отображения содержимого файла в память и доступа к нему с помощью индексов и фрагментов. Вот пример из документации:
import mmap
with open("hello.txt", "r+") as f:
# memory-map the file, size 0 means whole file
map = mmap.mmap(f.fileno(), 0)
# read content via standard file methods
print map.readline() # prints "Hello Python!"
# read content via slice notation
print map[:5] # prints "Hello"
# update content using slice notation;
# note that new content must have same size
map[6:] = " world!\n"
# ... and read again using standard file methods
map.seek(0)
print map.readline() # prints "Hello world!"
# close the map
map.close()
Если ваш компьютер, ОС или python 32-разрядные, то большие файлы mmap могут зарезервировать большие части вашего адресного пространства и истощить вашу программу памяти.
file.readlines() принимает необязательный аргумент размера, который приблизительно соответствует количеству прочитанных строк в возвращаемых строках.
bigfile = open('bigfilename','r')
tmp_lines = bigfile.readlines(BUF_SIZE)
while tmp_lines:
process([line for line in tmp_lines])
tmp_lines = bigfile.readlines(BUF_SIZE)
Уже есть много хороших ответов, но недавно я столкнулся с подобной проблемой, и нужного мне решения здесь нет в списке, поэтому я решил, что могу дополнить эту тему.
80% времени мне нужно читать файлы построчно. Затем, как предлагается в этом ответе, вы хотите использовать сам объект файла в качестве ленивого генератора:
with open('big.csv') as f:
for line in f:
process(line)
Однако недавно я столкнулся с очень очень большой (почти) однострочной CSV, где разделитель строк был на самом деле не '\n' а '|' ,
'|' об '\n' перед обработкой также не могло быть и речи, потому что некоторые поля этого csv содержали '\n' (произвольный текст, введенный пользователем).Я придумал следующий фрагмент:
def rows(f, chunksize=1024, sep='|'):
"""
Read a file where the row separator is '|' lazily.
Usage:
>>> with open('big.csv') as f:
>>> for r in rows(f):
>>> process(row)
"""
incomplete_row = None
while True:
chunk = f.read(chunksize)
if not chunk: # End of file
if incomplete_row is not None:
yield incomplete_row
break
# Split the chunk as long as possible
while True:
i = chunk.find(sep)
if i == -1:
break
# If there is an incomplete row waiting to be yielded,
# prepend it and set it back to None
if incomplete_row is not None:
yield incomplete_row + chunk[:i]
incomplete_row = None
else:
yield chunk[:i]
chunk = chunk[i+1:]
# If the chunk contained no separator, it needs to be appended to
# the current incomplete row.
if incomplete_row is not None:
incomplete_row += chunk
else:
incomplete_row = chunk
Я успешно проверил его на больших файлах и с разными размерами фрагментов (я даже пробовал размер фрагмента в 1 байт, просто чтобы убедиться, что алгоритм не зависит от размера).
Взгляните на этот пост на Neopythonic: "Сортировка миллиона 32-битных целых чисел в 2 МБ ОЗУ с использованием Python"
f = ... # file-like object, i.e. supporting read(size) function and
# returning empty string '' when there is nothing to read
def chunked(file, chunk_size):
return iter(lambda: file.read(chunk_size), '')
for data in chunked(f, 65536):
# process the data
UPDATE: подход лучше всего объясняется в fooobar.com/questions/32675/...
Думаю, мы можем написать вот так:
def read_file(path, block_size=1024):
with open(path, 'rb') as f:
while True:
piece = f.read(block_size)
if piece:
yield piece
else:
return
for piece in read_file(path):
process_piece(piece)
Я в некоторой схожей ситуации. Не понятно, знаете ли вы размер блока в байтах; Обычно я этого не знаю, но известно количество требуемых записей (строк):
def get_line():
with open('4gb_file') as file:
for i in file:
yield i
lines_required = 100
gen = get_line()
chunk = [i for i, j in zip(gen, range(lines_required))]
Обновить: спасибо nosklo. Вот что я имел в виду. Он почти работает, за исключением того, что он теряет линию между кусками.
chunk = [next(gen) for i in range(lines_required)]
Есть ли трюк без потери каких-либо строк, но это выглядит не очень хорошо.
Мне не разрешено комментировать из-за моей низкой репутации, но решение SilentGhosts должно быть намного проще с файлами file.readlines([sizehint])
edit: SilentGhost прав, но это должно быть лучше:
s = ""
for i in xrange(100):
s += file.next()
Обратитесь к официальной документации Python https://docs.python.org/zh-cn/3/library/functions.html?#iter
Может быть, этот метод более питонический:
from functools import partial
"""A file object returned by open() is a iterator with
read method which could specify current read block size"""
with open('mydata.db', 'r') as f_in:
part_read = partial(f_in.read, 1024*1024)
iterator = iter(part_read, b'')
for index, block in enumerate(iterator, start=1):
block = process_block(block) # process block data
with open(f'{index}.txt', 'w') as f_out:
f_out.write(block)
Для обработки строки за строкой это элегантное решение:
def stream_lines(file_name):
file = open(file_name)
while True:
line = file.readline()
if not line:
file.close()
break
yield line
Пока нет пустых строк.
вы можете использовать следующий код.
file_obj = open('big_file')
open() возвращает объект файла
то используйте os.stat для получения размера
file_size = os.stat('big_file').st_size
for i in range( file_size/1024):
print file_obj.read(1024)