Question

我正在寻找一种通过包含100,000个文件的目录迭代的方法。使用os.listdir的速度很慢，因为此函数首先从整个指定路径中获取路径列表。

最快的选择是什么？

注意：任何被投票的人都没有遇到过这种情况。

Answer 1

另一个问题在评论中被称为副本：
List files in a folder as a stream to begin process immediately

......但我发现这个例子是半工作的。这是适用于我的固定版本：

from ctypes import CDLL, c_int, c_uint8, c_uint16, c_uint32, c_char, c_char_p, Structure, POINTER
from ctypes.util import find_library

import os

class c_dir(Structure):
    pass

class c_dirent(Structure):
    _fields_ = [ 
        ("d_fileno", c_uint32), 
        ("d_reclen", c_uint16),
        ("d_type", c_uint8), 
        ("d_namlen", c_uint8),
        ("d_name", c_char * 4096),
        # proper way of getting platform MAX filename size?
        # ("d_name", c_char * (os.pathconf('.', 'PC_NAME_MAX')+1) ) 
    ]

c_dirent_p = POINTER(c_dirent)
c_dir_p = POINTER(c_dir)

c_lib = CDLL(find_library("c"))
opendir = c_lib.opendir
opendir.argtypes = [c_char_p]
opendir.restype = c_dir_p

# FIXME Should probably use readdir_r here
readdir = c_lib.readdir
readdir.argtypes = [c_dir_p]
readdir.restype = c_dirent_p

closedir = c_lib.closedir
closedir.argtypes = [c_dir_p]
closedir.restype = c_int

def listdir(path):
    """
    A generator to return the names of files in the directory passed in
    """
    dir_p = opendir(".")
    try:
        while True:
            p = readdir(dir_p)
            if not p:
                break
            name = p.contents.d_name
            if name not in (".", ".."):
                yield name
    finally:
        closedir(dir_p)


if __name__ == "__main__":
    for name in listdir("."):
        print name

Answer 2

您对目录中的每个文件做了什么？我认为使用os.listdir并没有真正的选择，但是根据你在做什么，你可能能够并行处理文件。例如，我们可以使用多处理库中的池来生成更多的Python进程，然后让每个进程迭代一小部分文件。

http://docs.python.org/library/multiprocessing.html

这有点粗糙，但我认为它得到了重点......

import sys
import os
from processing import Pool

p = Pool(3)
def work(subsetOfFiles):
    for file in subsetOfFiles:
        with open(file, 'r') as f:
           #read file, do work
    return "data"

p.map(work, [[#subSetFiles1],[#subSetFiles2],[#subSetFiles3]])

一般的想法是从os.listdir获取文件列表，但不是逐个超过100,000个文件，我们将100,000个文件分成20个5,000个文件列表，并在每个进程中处理5,000个文件。这种方法的一个好处是它将受益于当前的多核系统趋势。

迭代目录

2 个答案: