file.tell()不一致

时间:2013-01-03 18:39:14

标签: python python-2.7 buffering

当你以这种方式迭代文件时,是否有人碰巧知道原因:

输入:

f = open('test.txt', 'r')
for line in f:
    print "f.tell(): ",f.tell()

输出:

f.tell(): 8192
f.tell(): 8192
f.tell(): 8192
f.tell(): 8192

我一直从tell()获取错误的文件索引,但是,如果我使用readline,我会得到适当的tell()索引:

输入:

f = open('test.txt', 'r')
while True:
    line = f.readline()
    if (line == ''):
        break
    print "f.tell(): ",f.tell()

输出:

f.tell(): 103
f.tell(): 107
f.tell(): 115
f.tell(): 124

我正在运行python 2.7.1 BTW。

3 个答案:

答案 0 :(得分:59)

使用打开文件作为迭代器使用预读缓冲区来提高效率。因此,当您遍历这些行时,文件指针会在文件中大步前进。

来自File Objects文档:

  

为了使for循环成为循环文件行的最有效方式(一种非常常见的操作),next()方法使用隐藏的预读缓冲区。使用预读缓冲区的结果是,将next()与其他文件方法(如readline())组合不起作用。但是,使用seek()将文件重新定位到绝对位置将刷新预读缓冲区。

如果需要依赖.tell(),请不要将文件对象用作迭代器。您可以将.readline()转换为迭代器(代价是性能损失):

for line in iter(f.readline, ''):
    print f.tell()

这使用iter() function sentinel参数将任何可调用对象转换为迭代器。

答案 1 :(得分:12)

答案在于Python 2.7源代码(fileobject.c)的以下部分:

#define READAHEAD_BUFSIZE 8192

static PyObject *
file_iternext(PyFileObject *f)
{
    PyStringObject* l;

    if (f->f_fp == NULL)
        return err_closed();
    if (!f->readable)
        return err_mode("reading");

    l = readahead_get_line_skip(f, 0, READAHEAD_BUFSIZE);
    if (l == NULL || PyString_GET_SIZE(l) == 0) {
        Py_XDECREF(l);
        return NULL;
    }
    return (PyObject *)l;
}

如您所见,file的迭代器接口以8KB的块读取文件。这解释了为什么f.tell()的行为方式。

文档suggests由于性能原因而完成(并且不保证预读缓冲区的任何特定大小)。

答案 2 :(得分:0)

我遇到了相同的预读缓冲区问题,并使用Martijn's suggestion解决了该问题。

此后,我将我的解决方案推广给其他希望做这种事情的人:

https://github.com/loisaidasam/csv-position-reader

快乐的CSV解析!