Чтение Огромного файла в Python

У меня есть текстовый файл 384 МБ с 50 миллионами строк. Каждая строка содержит 2 целых числа, разделенные пробелами: ключ и значение. Файл сортируется по ключу. Мне нужен эффективный способ поиска значений из списка из 200 ключей в Python.

Мой текущий подход включен ниже. Это займет 30 секунд. Должен быть более эффективный Python foo, чтобы добиться максимальной эффективности всего за пару секунд.

# 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

Кодированный бинарный поиск + поиск решения (спасибо 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

ОТВЕТЫ

Ответ 1

Если вам нужно только 200 из 50 миллионов строк, то чтение всего этого в память - это отходы. Я бы отсортировал список ключей поиска, а затем применил двоичный поиск к файлу с помощью функции seek() или чего-то подобного. Таким образом, вы не будете читать весь файл в памяти, который, как мне кажется, должен ускорить процесс.

Ответ 2

Незначительная оптимизация ответа S.Lotts:

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 )

Поскольку мы используем словарь, а не список, ключи не обязательно должны быть числами. Это сохраняет операцию map() и преобразование строки в целое число для каждой строки. Если вы хотите, чтобы ключи были цифрами, сделайте преобразование завершением, когда вам нужно сделать это только один раз для каждого ключа, а не для каждой из 50 миллионов строк.

Ответ 3

Не понятно, что такое "list [pointer]". Однако рассмотрим это.

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 )

Ответ 4

Я бы использовал карту памяти: http://docs.python.org/library/mmap.html.
Таким образом, вы можете использовать файл, как если бы он хранился в памяти, но ОС решает, какие страницы должны быть действительно прочитаны из файла.

Ответ 5

Если у вас есть какой-либо контроль над форматом файла, ответы "сортировка и бинарный поиск" верны. Деталь заключается в том, что это работает только с записями фиксированного размера и смещения (ну, я должен сказать, что он работает только с фиксированными записями длины).

С фиксированными записями длины вы можете легко искать() вокруг отсортированного файла, чтобы найти свои ключи.

Ответ 6

Вот рекурсивный двоичный поиск в текстовом файле

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)

Пример текстового файла, созданного в jEdit, кажется, работает:

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

Это может быть определенно улучшено путем кэширования найденных ключей и использования кеша для определения будущих начальных точек поиска.

Ответ 7

Одна из возможных оптимизаций - сделать немного буферизации с помощью опции sizehint в file.readlines(..). Это позволяет загружать несколько строк в памяти, суммируя приблизительно sizehint байты.

Ответ 8

Вам нужно реализовать двоичный поиск с помощью функции seek()