Leniwa metoda odczytu dużego pliku w Pythonie?

Mam bardzo duży plik 4 GB i kiedy próbuję go odczytać, komputer zawiesza się. Więc chcę czytać go kawałek po kawałku, a po przetworzeniu każdego elementu przechowywać przetworzony kawałek w innym pliku i czytać następny kawałek.

Czy istnieje jakaś metoda na yieldte elementy?

Chciałbym mieć leniwą metodę .

Aby napisać leniwą funkcję, po prostu użyj 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


with open('really_big_file.dat') as f:
    for piece in read_in_chunks(f):
        process_data(piece)

Inną opcją byłoby użycie iterfunkcji pomocniczej:

f = open('really_big_file.dat')
def read1k():
    return f.read(1024)

for piece in iter(read1k, ''):
    process_data(piece)

Jeśli plik jest oparty na liniach, obiekt pliku jest już leniwym generatorem linii:

for line in open('really_big_file.dat'):
    process_data(line)

Jeśli twój komputer, system operacyjny i python są 64-bitowe , możesz użyć modułu mmap, aby zmapować zawartość pliku do pamięci i uzyskać do niego dostęp za pomocą indeksów i plasterków. Oto przykład z dokumentacji:

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()

Jeśli komputer, system operacyjny lub python są 32-bitowe , mapowanie dużych plików może zarezerwować duże części przestrzeni adresowej i zagłodzić program pamięci.

file.readlines() przyjmuje opcjonalny argument wielkości, który jest zbliżony do liczby linii odczytanych w zwracanych liniach.

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)

Istnieje już wiele dobrych odpowiedzi, ale jeśli cały plik znajduje się w jednej linii i nadal chcesz przetwarzać „wiersze” (w przeciwieństwie do bloków o stałym rozmiarze), te odpowiedzi ci nie pomogą.

W 99% przypadków możliwe jest przetwarzanie plików linia po linii. Następnie, zgodnie z sugestią zawartą w tej odpowiedzi , możesz użyć samego obiektu pliku jako leniwego generatora:

with open('big.csv') as f:
    for line in f:
        process(line)

Jednak kiedyś natknąłem się na bardzo duży (prawie) plik jednowierszowy, w którym separator wierszy był w rzeczywistości nie, '\n'ale '|'.

• Czytanie wiersz po wierszu nie było opcją, ale nadal musiałem przetwarzać go wiersz po rzędzie.
• Konwersja '|'do '\n'przed przetwarzaniem również nie wchodziła w rachubę, ponieważ niektóre pola tego '\n'pliku csv zawierały (dowolny tekst wprowadzany przez użytkownika).
• Korzystanie z biblioteki csv również zostało wykluczone, ponieważ fakt, że przynajmniej we wczesnych wersjach biblioteki lib jest na stałe zakodowany, aby czytać wiersz po wierszu .

W takich sytuacjach utworzyłem następujący fragment:

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)
    """
    curr_row = ''
    while True:
        chunk = f.read(chunksize)
        if chunk == '': # End of file
            yield curr_row
            break
        while True:
            i = chunk.find(sep)
            if i == -1:
                break
            yield curr_row + chunk[:i]
            curr_row = ''
            chunk = chunk[i+1:]
        curr_row += chunk

Udało mi się to z powodzeniem wykorzystać do rozwiązania mojego problemu. Został gruntownie przetestowany, z różnymi wielkościami porcji.

Zestaw testowy dla tych, którzy chcą się przekonać.

test_file = 'test_file'

def cleanup(func):
    def wrapper(*args, **kwargs):
        func(*args, **kwargs)
        os.unlink(test_file)
    return wrapper

@cleanup
def test_empty(chunksize=1024):
    with open(test_file, 'w') as f:
        f.write('')
    with open(test_file) as f:
        assert len(list(rows(f, chunksize=chunksize))) == 1

@cleanup
def test_1_char_2_rows(chunksize=1024):
    with open(test_file, 'w') as f:
        f.write('|')
    with open(test_file) as f:
        assert len(list(rows(f, chunksize=chunksize))) == 2

@cleanup
def test_1_char(chunksize=1024):
    with open(test_file, 'w') as f:
        f.write('a')
    with open(test_file) as f:
        assert len(list(rows(f, chunksize=chunksize))) == 1

@cleanup
def test_1025_chars_1_row(chunksize=1024):
    with open(test_file, 'w') as f:
        for i in range(1025):
            f.write('a')
    with open(test_file) as f:
        assert len(list(rows(f, chunksize=chunksize))) == 1

@cleanup
def test_1024_chars_2_rows(chunksize=1024):
    with open(test_file, 'w') as f:
        for i in range(1023):
            f.write('a')
        f.write('|')
    with open(test_file) as f:
        assert len(list(rows(f, chunksize=chunksize))) == 2

@cleanup
def test_1025_chars_1026_rows(chunksize=1024):
    with open(test_file, 'w') as f:
        for i in range(1025):
            f.write('|')
    with open(test_file) as f:
        assert len(list(rows(f, chunksize=chunksize))) == 1026

@cleanup
def test_2048_chars_2_rows(chunksize=1024):
    with open(test_file, 'w') as f:
        for i in range(1022):
            f.write('a')
        f.write('|')
        f.write('a')
        # -- end of 1st chunk --
        for i in range(1024):
            f.write('a')
        # -- end of 2nd chunk
    with open(test_file) as f:
        assert len(list(rows(f, chunksize=chunksize))) == 2

@cleanup
def test_2049_chars_2_rows(chunksize=1024):
    with open(test_file, 'w') as f:
        for i in range(1022):
            f.write('a')
        f.write('|')
        f.write('a')
        # -- end of 1st chunk --
        for i in range(1024):
            f.write('a')
        # -- end of 2nd chunk
        f.write('a')
    with open(test_file) as f:
        assert len(list(rows(f, chunksize=chunksize))) == 2

if __name__ == '__main__':
    for chunksize in [1, 2, 4, 8, 16, 32, 64, 128, 256, 512, 1024]:
        test_empty(chunksize)
        test_1_char_2_rows(chunksize)
        test_1_char(chunksize)
        test_1025_chars_1_row(chunksize)
        test_1024_chars_2_rows(chunksize)
        test_1025_chars_1026_rows(chunksize)
        test_2048_chars_2_rows(chunksize)
        test_2049_chars_2_rows(chunksize)

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

AKTUALIZACJA: Podejście to najlepiej wyjaśniono w https://stackoverflow.com/a/4566523/38592

Zapoznaj się z oficjalną dokumentacją pythona https://docs.python.org/zh-cn/3/library/functions.html?#iter

Może ta metoda jest bardziej pythonowa:

from functools import partial

"""A file object returned by open() is a iterator with
read method which could specify current read's 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)

Myślę, że możemy napisać w ten sposób:

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)

nie wolno mi komentować z powodu mojej niskiej reputacji, ale rozwiązanie SilentGhosts powinno być znacznie łatwiejsze dzięki file.readlines ([sizehint])

metody plików python

edycja: SilentGhost ma rację, ale powinno to być lepsze niż:

s = "" 
for i in xrange(100): 
   s += file.next()

Jestem w nieco podobnej sytuacji. Nie jest jasne, czy znasz wielkość porcji w bajtach; Zwykle nie, ale liczba wymaganych rekordów (wierszy) jest znana:

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))]

Aktualizacja : Dzięki nosklo. Oto co miałem na myśli. Prawie działa, z tym wyjątkiem, że traci linię „między” kawałkami.

chunk = [next(gen) for i in range(lines_required)]

Trik bez utraty linii, ale nie wygląda ładnie.

To eleganckie rozwiązanie do przetwarzania linia po linii:

  def stream_lines(file_name):
    file = open(file_name)
    while True:
      line = file.readline()
      if not line:
        file.close()
        break
      yield line

Dopóki nie ma pustych linii.

możesz użyć następującego kodu.

file_obj = open('big_file') 

open () zwraca obiekt pliku

następnie użyj os.stat, aby uzyskać rozmiar

file_size = os.stat('big_file').st_size

for i in range( file_size/1024):
    print file_obj.read(1024)