Question

我有一个文件，其中每一行按字母顺序排序。该文件是12Gb，这意味着我不能简单地逐行读取它。数据如下所示：

brown    0    1    0    1    2
fox      3    5    0    0    1
jumped   2    0    6    1    0

每行开头的单词都是唯一的。每行上的单词和数字由制表符分隔。我希望能够在文件中查询特定的关键字。例如，如果我查询“fox”，程序应返回“fox 3 5 0 0 1”。

似乎一个很好的候选者是bisect模块：https://docs.python.org/3.0/library/bisect.html

我发现了一个使用bisect查找关键字行号的帖子：How do I perform binary search on a text file to search a keyword in python?

这就是代码的样子：

import bisect
import os

class Query(object):
    def __init__(self, query, index=5):
        self.query = query
        self.index = index

    def __lt__(self, comparable):
        return self.query < comparable[self.index:]

class FileSearcher(object):
    def __init__(self, file_pointer, record_size=35):
        self.file_pointer = file_pointer
        self.file_pointer.seek(0, os.SEEK_END)
        self.record_size = record_size + len(os.linesep)
        self.num_bytes = self.file_pointer.tell()
        self.file_size = (self.num_bytes // self.record_size)

    def __len__(self):
        return self.file_size

    def __getitem__(self, item):
        self.file_pointer.seek(item * self.record_size)
        return self.file_pointer.read(self.record_size)

with open('myfile') as file_to_search:
    query = 'fox\t' #token to query
    wrapped_query = Query(query)
    searchable_file = FileSearcher(file_to_search)
    linepos = bisect.bisect(searchable_file, wrapped_query)
    print "Located @ line: ", linepos
    #print content of line?

但是，我无法弄清楚如何实际打印该行的内容。我至少应该在某个地方添加一个读取声明，但我不知道在哪里。

是否可以使用bisect模块打印行的内容？

Answer 1

如果您想使用Python解决方案，可以执行以下操作：

按小MAX_LINE个字节块读取文件，每次按固定偏移量向前移动
该偏移确定块大小
对于每次这样的读取，确定键（一行中的第一个单词）
这些键用作块的分隔符
构造此类键的列表。列表将在按键排序时进行排序
您可以通过pickle / json.dumps /...
查询时，通过二等分找到您键所在的块的索引
完全读取该块并找到包含数据的密钥

以下是示例文件bigfile：

abc 4
bar 2
baz 3
egg 6
foo 1
god 8
ham 5
sex 7

代码：

import os
from bisect import bisect

MAX_LINE = 7
BLOCK_SIZE = 10

def parse_chunks(filename):

    size = os.path.getsize(filename)
    chunks = []

    with open(filename, 'rb') as file:
        block = str(file.read(MAX_LINE*2))
        first_line = block[:block.find('\n') + 1]
        chunks.append(first_line.split()[0])

        pos = BLOCK_SIZE
        while pos < size:
            file.seek(pos)
            block = str(file.read(MAX_LINE*2))
            first_eol = block.find('\n')
            second_eol = block.find('\n', first_eol + 1)
            if first_eol == -1 or second_eol == -1:
                break

            line = block[first_eol + 1:second_eol]

            key = line.split()[0]
            chunks.append(key)

            pos += BLOCK_SIZE

    return chunks


if __name__ == '__main__':
    BLOCK_SIZE = 10
    filename = 'bigfile'
    chunks = parse_chunks(filename)

    query = 'abc'
    pos_before = bisect(chunks, query) - 1

    with open(filename, 'rb') as file:
        file.seek(pos_before*BLOCK_SIZE)
        block = str(file.read(BLOCK_SIZE + MAX_LINE))
        line_start = block.find(query)
        line_end = block.find('\n', line_start + 1)
        line = block[line_start:line_end]

        print(line)

在这个玩具示例中，我使用10字节的块大小，在你的12GB文件的情况下，我建议你从1M开始。

Answer 2

以下递归函数应该能够缩小搜索间隔。我不确定您是否可以修改它以使其返回匹配项或None表示不匹配。

def bisearch(f, word, i, j)
    if (j-1)<1E6: return i,j

    k = (i+j)/2
    f.seek(k)


    while k<j:
        c = f.read(1)
        k = k+1
        if c == '\n': break
    else:
        # ??? no match ??? I'm not sure

    w = []
    while 1:
        c = f.read(1)
        if c == '\t': break
        w.append(c)

    w = "".join(w)
    if w == word:
         return k, k
    if w < word:
         return bisearch(f, word, k, j)
    else:
         return bisearch(f, word, i, k)

这里是一个使用示例

word = ...
f = open(...)

i,j = bisearch(f, word, 0, len_f)

f.seek(i)
if i==j:
    line = f.readline()
else:
#################### EDIT ################
#   OLD
#   buffer = f.read(1E6)
#   NEW
    buffer = f.read(j-i)
    lenw = len(word)
    for line in buffer.split('\n'):
        if line[:lenw] == word: break
    else:
        # no matches, SOS

result = process(line)

Answer 3

使用seek尝试readline相关行。

print "Located @ line: ", linepos
file_to_search.seek(linepos)
line = file_to_search.readline()

这假设linepos是行的位置，以文件开头的字节数计算。如果它是以行号计算的位置，则在搜索之前，您需要乘以每行的字节数。

print "Located @ line: ", linepos
file_to_search.seek(linepos * searchable_file.record_size)
line = file_to_search.readline()

我可以使用bisect打印一行的内容吗？

3 个答案: