Python classe para arquivos ordenados de mesclagem, como isso pode ser melhorada?

Question

Fundo:

Eu estou limpando grande (não pode ser realizada em memória) arquivos delimitados por tabulação. Como eu limpar o arquivo de entrada, eu criar uma lista na memória; quando chega a 1.000.000 entradas (cerca de 1GB de memória) I classificá-lo (usando a chave padrão abaixo) e escrever a lista para um arquivo. Esta classe é para colocar os arquivos ordenados de volta juntos. Ele funciona nos arquivos que tenho encontrado até agora. Meu maior caso, até agora, está se fundindo 66 classificadas arquivos.

Perguntas:

1. Existem buracos na minha lógica (onde é frágil)?
2. Have I implementou o merge-sort algoritmo corretamente?
3. Existem quaisquer melhorias óbvias que poderia ser feito?

Exemplo Dados:

Esta é uma abstração de uma linha em um desses arquivos:

'hash_of_SomeStringId\tSome String Id\t\t\twww.somelink.com\t\tOtherData\t\n'

O takeaway é que eu uso 'SomeStringId'.lower().replace(' ', '') como a minha chave de classificação.

Código Original:

class SortedFileMerger():
    """ A one-time use object that merges any number of smaller sorted 
        files into one large sorted file.

        ARGS:
            paths - list of paths to sorted files
            output_path - string path to desired output file
            dedup - (boolean) remove lines with duplicate keys, default = True
            key - use to override sort key, default = "line.split('\t')[1].lower().replace(' ', '')"
                  will be prepended by "lambda line: ".  This should be the same 
                  key that was used to sort the files being merged!
    """
    def __init__(self, paths, output_path, dedup=True, key="line.split('\t')[1].lower().replace(' ', '')"):
        self.key = eval("lambda line: %s" % key)
        self.dedup = dedup
        self.handles = [open(path, 'r') for path in paths]
        # holds one line from each file
        self.lines = [file_handle.readline() for file_handle in self.handles]
        self.output_file = open(output_path, 'w')
        self.lines_written = 0
        self._mergeSortedFiles() #call the main method

    def __del__(self):
        """ Clean-up file handles.
        """
        for handle in self.handles:
            if not handle.closed:
                handle.close()
        if self.output_file and (not self.output_file.closed):
            self.output_file.close()

    def _mergeSortedFiles(self):
        """ Merge the small sorted files to 'self.output_file'. This can 
            and should only be called once.
            Called from __init__().
        """
        previous_comparable = ''
        min_line = self._getNextMin()
        while min_line:
            index = self.lines.index(min_line)
            comparable = self.key(min_line)
            if not self.dedup:                      
                #not removing duplicates
                self._writeLine(index)
            elif comparable != previous_comparable: 
                #removing duplicates and this isn't one
                self._writeLine(index)
            else:                                   
                #removing duplicates and this is one
                self._readNextLine(index)
            previous_comparable = comparable
            min_line = self._getNextMin()
        #finished merging
        self.output_file.close()

    def _getNextMin(self):
        """ Returns the next "smallest" line in sorted order.
            Returns None when there are no more values to get.
        """
        while '' in self.lines:
            index = self.lines.index('')
            if self._isLastLine(index):
                # file.readline() is returning '' because 
                # it has reached the end of a file.
                self._closeFile(index)
            else:
                # an empty line got mixed in
                self._readNextLine(index)
        if len(self.lines) == 0:
            return None
        return min(self.lines, key=self.key)

    def _writeLine(self, index):
        """ Write line to output file and update self.lines
        """
        self.output_file.write(self.lines[index])
        self.lines_written += 1
        self._readNextLine(index)

    def _readNextLine(self, index):
        """ Read the next line from handles[index] into lines[index]
        """
        self.lines[index] = self.handles[index].readline()

    def _closeFile(self, index):
        """ If there are no more lines to get in a file, it 
            needs to be closed and removed from 'self.handles'.
            It's entry in 'self.lines' also need to be removed.
        """
        handle = self.handles.pop(index)
        if not handle.closed:
            handle.close()
        # remove entry from self.lines to preserve order
        _ = self.lines.pop(index)

    def _isLastLine(self, index):
        """ Check that handles[index] is at the eof.
        """
        handle = self.handles[index]            
        if handle.tell() == os.path.getsize(handle.name):
            return True
        return False

Editar: A implementação das sugestões de Brian eu vim com a seguinte solução:

Segunda Edição: Atualizado o código por John Machin 's sugestão:

def decorated_file(f, key):
    """ Yields an easily sortable tuple. 
    """
    for line in f:
        yield (key(line), line)

def standard_keyfunc(line):
    """ The standard key function in my application.
    """
    return line.split('\t', 2)[1].replace(' ', '').lower()

def mergeSortedFiles(paths, output_path, dedup=True, keyfunc=standard_keyfunc):
    """ Does the same thing SortedFileMerger class does. 
    """
    files = map(open, paths) #open defaults to mode='r'
    output_file = open(output_path, 'w')
    lines_written = 0
    previous_comparable = ''
    for line in heapq26.merge(*[decorated_file(f, keyfunc) for f in files]):
        comparable = line[0]
        if previous_comparable != comparable:
            output_file.write(line[1])
            lines_written += 1
        previous_comparable = comparable
    return lines_written

áspero Test

Usando os mesmos arquivos de entrada (2.2 GB de dados):

• classe SortedFileMerger levou 51 minutos (3068.4 segundos)
• solução Brian 's levou 40 minutos (2408.5 segundos)
• Depois de adicionar John Machin 's sugestões, o código de solução levou 36 minutos (2214.0 segundos)

Answer 1

Note que no python2.6, heapq tem um novo merge função que irá fazer isso por você.

Para lidar com a função de chave personalizada, você pode simplesmente enrolar o iterador arquivo com algo que decora-lo para que ele se compara com base na chave, e tira-lo fora depois:

def decorated_file(f, key):
    for line in f: 
        yield (key(line), line)

filenames = ['file1.txt','file2.txt','file3.txt']
files = map(open, filenames)
outfile = open('merged.txt')

for line in heapq.merge(*[decorated_file(f, keyfunc) for f in files]):
    outfile.write(line[1])

[Edit] Mesmo em versões anteriores do Python, é provavelmente vale a pena simplesmente para tirar a implementação de fusão a partir do módulo heapq mais tarde. É pura python, e funciona sem modificações no python2.5, e uma vez que utiliza uma pilha para obter o próximo mínimo deve ser muito eficiente ao mesclar um grande número de arquivos.

Você deve ser capaz de simplesmente copiar o heapq.py de uma instalação python2.6, copiá-lo para a sua fonte como "heapq26.py" e use "from heapq26 import merge" - não há 2,6 específica recursos usados ??nele. Alternativamente, você só pode copiar a função merge (reescrevendo as chamadas heappop etc para referenciar o módulo python2.5 heapq).

Answer 2

<< Esta "resposta" é um comentário no código resultante do questionador originais >>

Sugestão: usar eval () é ummmm e que você está fazendo restringe o chamador usando lambda - extração de chave pode exigir mais do que uma frase, e em qualquer caso, você não precisa a mesma função para a preliminar passo espécie?

Assim, substituir o seguinte:

def mergeSortedFiles(paths, output_path, dedup=True, key="line.split('\t')[1].lower().replace(' ', '')"):
    keyfunc = eval("lambda line: %s" % key)

com este:

def my_keyfunc(line):
    return line.split('\t', 2)[1].replace(' ', '').lower()
    # minor tweaks may speed it up a little

def mergeSortedFiles(paths, output_path, keyfunc, dedup=True):