Método preguiçoso para ler o arquivo grande em Python?

Question

Eu tenho um grande arquivo de 4GB e quando tento ler meu computador trava. Então, eu quero lê-lo peça por peça e após o processamento de cada loja peça a peça processada em outro arquivo e ler próxima peça.

Existe algum método para yield essas peças?

Eu adoraria ter um método preguiçoso .

Answer 1

Para escrever uma função preguiçoso, é só usar 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)

---

Outra opção seria usar iter e uma função auxiliar:

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

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

---

Se o arquivo é baseado em linha, o objeto arquivo já é um gerador de preguiçoso de linhas:

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

Answer 2

Se o seu computador, sistema operacional e python são de 64 bits , então você pode usar o mmap módulo para mapear o conteúdo do arquivo na memória e acesso com índices e fatias. Aqui um exemplo da documentação:

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()

Se qualquer computador, sistema operacional ou python são de 32 bits , em seguida, mmap-ing arquivos grandes pode reservar grandes partes do seu espaço de endereço e starve seu programa de memória.

Answer 3

file.readlines () recebe em um argumento tamanho opcional que se aproxima do número de linhas ler nas linhas devolvidas.

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)

Answer 4

Já existem muitas respostas boas, mas eu tive um problema semelhante recentemente e a solução que eu precisava não está aqui, então eu percebi que eu poderia complementar esta discussão.

80% do tempo, eu preciso ler linha arquivos linha por linha. Então, como sugerido neste , você quer usar o próprio objeto arquivo como gerador de preguiçoso:

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

No entanto, eu decorreu recentemente em um muito, muito grande (quase) única csv linha, onde o separador de linha não era de fato '\n' mas '|'.

• A leitura linha a linha não era uma opção, mas eu ainda precisava para processá-lo linha por linha.
• Converting'|' para '\n' antes do processamento também foi fora de questão, porque alguns dos campos desta CSV continha '\n' (entrada do usuário em texto livre).
• Usando a biblioteca CSV também foi descartada porque o fato de que, pelo menos nas primeiras versões da lib, é codificado para ler a linha de entrada por linha .

Eu vim com o seguinte trecho:

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

Eu testei com sucesso em arquivos grandes e com diferentes tamanhos do pedaço (Eu até tentei uma chunksize de 1 byte, só para ter certeza de que o algoritmo não é dependente do tamanho).

Answer 5

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: A abordagem é melhor explicado em https://stackoverflow.com/a/4566523/38592

Answer 6

Eu não estou autorizado a comentar devido a minha baixa reputação, mas solução SilentGhosts deve ser muito mais fácil com file.readlines ([sizeHint])

python métodos de arquivo

edit: SilentGhost é certo, mas isso deve ser melhor do que:

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

Answer 7

Eu acho que nós podemos escrever como este:

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)

Answer 8

Eu estou em uma situação um pouco semelhante. Não é claro se você sabe tamanho do bloco em bytes; Eu normalmente não faço, mas o número de registros (linhas) que é necessário é conhecido:

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))]

Atualizar : nosklo Graças. Aqui está o que eu quis dizer. É quase funciona, exceto que ele perde uma linha 'entre' pedaços.

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

Será que o truque w / o perder todas as linhas, mas ele não parece muito bom.

Answer 9

Consulte a documentação oficial do python https: // docs .python.org / zh-cn / 3 / biblioteca / functions.html? #iter

Talvez este método é mais Python:

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)

Answer 10

Para linha de processo por linha, esta é uma solução elegante:

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

Enquanto Ainda não há linhas em branco.

Answer 11

Você pode usar seguinte código.

file_obj = open('big_file') 

open () retorna um objeto de arquivo

então usar os.stat para obter o tamanho

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

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