Question

我正在寻找一种加速文件加载的方法：

数据包含大约1百万行，使用“\ t”（制表符号）和utf8编码分隔的制表符，使用下面的代码解析整个文件大约需要9秒。但是，我希望几乎在一秒钟内完成！

def load(filename):
    features = []
    with codecs.open(filename, 'rb',  'utf-8') as f:
        previous = ""
        for n, s in enumerate(f):
            splitted = tuple(s.rstrip().split("\t"))
            if len(splitted) != 2:
                sys.exit("wrong format!")
            if previous >= splitted:
                sys.exit("unordered feature")
            previous = splitted
            features.append(splitted)
    return features

我想知道是否有任何二进制格式数据可以加快某些速度？或者，如果我可以从一些NumPy或任何其他库中受益，以获得更快的加载速度。

也许你可以就另一个速度瓶颈给我建议吗？

编辑：所以我尝试了一些你的想法，谢谢！ BTW我真的需要巨大列表中的元组（字符串，字符串）...这里是结果，我获得了50％的时间:)现在我要照看NumPy二进制数据，因为我注意到了另一个巨大的文件真的很快加载...

import codecs

def load0(filename): 
    with codecs.open(filename, 'rb',  'utf-8') as f: 
    return f.readlines() 

def load1(filename): 
    with codecs.open(filename, 'rb',  'utf-8') as f: 
    return [tuple(x.rstrip().split("\t")) for x in f.readlines()]

def load3(filename):
    features = []
    with codecs.open(filename, 'rb',  'utf-8') as f:
    for n, s in enumerate(f):
        splitted = tuple(s.rstrip().split("\t"))
        features.append(splitted)
    return features

def load4(filename): 
    with codecs.open(filename, 'rb',  'utf-8') as f: 
    for s in f: 
        yield tuple(s.rstrip().split("\t")) 

a = datetime.datetime.now()
r0 = load0(myfile)
b = datetime.datetime.now()
print "f.readlines(): %s" % (b-a)

a = datetime.datetime.now()
r1 = load1(myfile)
b = datetime.datetime.now()
print """[tuple(x.rstrip().split("\\t")) for x in f.readlines()]: %s""" % (b-a)

a = datetime.datetime.now()
r3 = load3(myfile)
b = datetime.datetime.now()
print """load3: %s""" % (b-a)
if r1 == r3: print "OK: speeded and similars!"

a = datetime.datetime.now()
r4 = [x for x in load4(myfile)] 
b = datetime.datetime.now()
print """load4: %s""" % (b-a)
if r4 == r3: print "OK: speeded and similars!"

结果：

f.readlines(): 0:00:00.208000
[tuple(x.rstrip().split("\t")) for x in f.readlines()]: 0:00:02.310000
load3: 0:00:07.883000
OK: speeded and similars!
load4: 0:00:07.943000
OK: speeded and similars!

一些非常奇怪的事情是我注意到我连续两次跑步几乎可以加倍（但不是每次都有）：

>>> ================================ RESTART ================================
>>> 
f.readlines(): 0:00:00.220000
[tuple(x.rstrip().split("\t")) for x in f.readlines()]: 0:00:02.479000
load3: 0:00:08.288000
OK: speeded and similars!
>>> ================================ RESTART ================================
>>> 
f.readlines(): 0:00:00.279000
[tuple(x.rstrip().split("\t")) for x in f.readlines()]: 0:00:04.983000
load3: 0:00:10.404000
OK: speeded and similars!

EDIT LATEST：我试图修改使用numpy.load ...这对我来说很奇怪...来自“普通”文件和我的1022860字符串，以及10 KB。做了numpy.save(numpy.array(load1(myfile)))后我去了895 MB！然后用numpy.load()重新加载这个我在连续运行中得到这种时间：

  >>> ================================ RESTART ================================
  loading: 0:00:11.422000 done.
  >>> ================================ RESTART ================================
  loading: 0:00:00.759000 done.

可能会numpy做一些内存来避免将来重新加载吗？

Answer 1

试试这个版本，因为你提到检查并不重要我已经将其删除了。

def load(filename):
    with codecs.open(filename, 'rb',  'utf-8') as f:
        for s in f:
            yield tuple(s.rstrip().split("\t"))

results = [x for x in load('somebigfile.txt')]

Answer 2

检查实际读取文件行的秒数，例如

def load(filename):
    features = []
    with codecs.open(filename, 'rb',  'utf-8') as f:
        return f.readlines()

如果它明显少于9秒，那么

尝试其他人使用multiprocessing并拆分检查cpu核心之间的行和/或
使用像pypy这样的快速解释器

并查看是否有任何加速

Answer 3

检查了遍历文件需要多长时间，如bpgergo所示，您可以查看以下内容：

如果您知道您的文件包含10 ^ 6行，则可以预先分配列表。它应该比在每次迭代中附加它更快。只需使用features = [None] * (10 ** 6)初始化您的列表
不要将split()的结果转换为元组，似乎没必要。
您似乎根本没有从enumerate中受益。只需使用：for line in f:代替for n, s in enumerate(f):

Python：如何加速这个文件加载

3 个答案: