在python中搜索文件的最后x行的最有效方法

时间:2008-11-03 23:01:50

标签: python file search

我有一个文件,我不知道它会有多大(它可能很大,但尺寸会有很大差异)。我想搜索最后10行左右,看看是否有任何一个字符串匹配。我需要尽可能快速有效地做到这一点,并且想知道是否有更好的东西:

s = "foo"
last_bit = fileObj.readlines()[-10:]
for line in last_bit:
    if line == s:
        print "FOUND"

17 个答案:

答案 0 :(得分:34)

这是一个像MizardX一样的答案,但是没有明显的问题,即在最坏的情况下采用二次时间来重新扫描工作字符串,因为添加了块的新行。

与activestate解决方案(也似乎是二次方)相比,给定一个空文件不会爆炸,并且每个块读取而不是两个。

与产卵'尾巴'相比,这是独立的。 (但如果你拥有它,'尾巴'是最好的。)

与从末端抓取几个KB并希望它足够相比,这适用于任何行长度。

import os

def reversed_lines(file):
    "Generate the lines of file in reverse order."
    part = ''
    for block in reversed_blocks(file):
        for c in reversed(block):
            if c == '\n' and part:
                yield part[::-1]
                part = ''
            part += c
    if part: yield part[::-1]

def reversed_blocks(file, blocksize=4096):
    "Generate blocks of file's contents in reverse order."
    file.seek(0, os.SEEK_END)
    here = file.tell()
    while 0 < here:
        delta = min(blocksize, here)
        here -= delta
        file.seek(here, os.SEEK_SET)
        yield file.read(delta)

按要求使用它:

from itertools import islice

def check_last_10_lines(file, key):
    for line in islice(reversed_lines(file), 10):
        if line.rstrip('\n') == key:
            print 'FOUND'
            break

编辑:将head()更改为head()中的itertools.imap()。 修改2:简化了revers_blocks()。 编辑3:避免重新扫描新行的尾部。 编辑4:重写了reversed_lines()因为str.splitlines()忽略了一个'\ n',正如BrianB注意到的那样(谢谢)。

请注意,在非常旧的Python版本中,循环中的字符串连接将采用二次时间。 CPython至少在过去几年中自动避免了这个问题。

答案 1 :(得分:33)

# Tail
from __future__ import with_statement

find_str = "FIREFOX"                    # String to find
fname = "g:/autoIt/ActiveWin.log_2"     # File to check

with open(fname, "r") as f:
    f.seek (0, 2)           # Seek @ EOF
    fsize = f.tell()        # Get Size
    f.seek (max (fsize-1024, 0), 0) # Set pos @ last n chars
    lines = f.readlines()       # Read to end

lines = lines[-10:]    # Get last 10 lines

# This returns True if any line is exactly find_str + "\n"
print find_str + "\n" in lines

# If you're searching for a substring
for line in lines:
    if find_str in line:
        print True
        break

答案 2 :(得分:8)

如果您在POSIX系统上运行Python,可以使用'tail -10'来检索最后几行。这可能比编写自己的Python代码以获得最后10行更快。而不是直接打开文件,从命令'tail -10 filename'打开一个管道。如果您确定日志输出(例如,您知道从不任何长数百或数千个字符的长行),那么使用“读取最后2KB”之一列出的方法没问题。

答案 3 :(得分:7)

我认为读取文件的最后2 KB左右应该确保你获得10行,并且不应该过多地占用资源。

file_handle = open("somefile")
file_size = file_handle.tell()
file_handle.seek(max(file_size - 2*1024, 0))

# this will get rid of trailing newlines, unlike readlines()
last_10 = file_handle.read().splitlines()[-10:]

assert len(last_10) == 10, "Only read %d lines" % len(last_10)

答案 4 :(得分:5)

这是使用mmap的版本,看起来非常有效。最重要的是mmap将自动为您处理文件到内存的分页要求。

import os
from mmap import mmap

def lastn(filename, n):
    # open the file and mmap it
    f = open(filename, 'r+')
    m = mmap(f.fileno(), os.path.getsize(f.name))

    nlcount = 0
    i = m.size() - 1 
    if m[i] == '\n': n += 1
    while nlcount < n and i > 0:
        if m[i] == '\n': nlcount += 1
        i -= 1
    if i > 0: i += 2

    return m[i:].splitlines()

target = "target string"
print [l for l in lastn('somefile', 10) if l == target]

答案 5 :(得分:2)

我想我记得在我必须做类似的事情时调整this blog post from Manu Garg的代码。

答案 6 :(得分:2)

如果您使用的是unix框,os.popen("tail -10 " + filepath).readlines()可能是最快的方法。否则,它取决于你想要的强大程度。到目前为止提出的方法都会以这种或那种方式落空。对于最常见情况下的稳健性和速度,您可能需要像对数搜索这样的东西:使用file.seek转到文件末尾减去1000个字符,读入它,检查它包含多少行,然后到EOF减去3000个字符,读取2000个字符,计算行数,然后EOF减去7000,读取4000个字符,计算行数等,直到您拥有所需的行数。但是如果你确定它总是会在具有合理线长的文件上运行,那么你可能不需要它。

您可能还会在source code中找到unix tail命令的一些灵感。

答案 7 :(得分:2)

我遇到了这个问题,解析了LARGE系统日志文件的最后一小时,并在activestate的配方网站中使用了这个函数......(http://code.activestate.com/recipes/439045/

!/usr/bin/env python
# -*-mode: python; coding: iso-8859-1 -*-
#
# Copyright (c) Peter Astrand <astrand@cendio.se>

import os
import string

class BackwardsReader:
    """Read a file line by line, backwards"""
    BLKSIZE = 4096

    def readline(self):
        while 1:
            newline_pos = string.rfind(self.buf, "\n")
            pos = self.file.tell()
            if newline_pos != -1:
                # Found a newline
                line = self.buf[newline_pos+1:]
                self.buf = self.buf[:newline_pos]
                if pos != 0 or newline_pos != 0 or self.trailing_newline:
                    line += "\n"
                return line
            else:
                if pos == 0:
                    # Start-of-file
                    return ""
                else:
                    # Need to fill buffer
                    toread = min(self.BLKSIZE, pos)
                    self.file.seek(-toread, 1)
                    self.buf = self.file.read(toread) + self.buf
                    self.file.seek(-toread, 1)
                    if pos - toread == 0:
                        self.buf = "\n" + self.buf

    def __init__(self, file):
        self.file = file
        self.buf = ""
        self.file.seek(-1, 2)
        self.trailing_newline = 0
        lastchar = self.file.read(1)
        if lastchar == "\n":
            self.trailing_newline = 1
            self.file.seek(-1, 2)

# Example usage
br = BackwardsReader(open('bar'))

while 1:
    line = br.readline()
    if not line:
        break
    print repr(line)

它工作得非常好,比fileObj.readlines()[ - 10:]更有效率,这使得python将整个文件读入内存,然后将最后十行从中删除。

答案 8 :(得分:1)

您可以从文件末尾读取大约1,000个字节的块到缓冲区,直到您有10行。

答案 9 :(得分:1)

我接受了mhawke建议使用mmap并写了一个使用rfind的版本:

from mmap import mmap
import sys

def reverse_file(f):
    mm = mmap(f.fileno(), 0)
    nl = mm.size() - 1
    prev_nl = mm.size()
    while nl > -1:
        nl = mm.rfind('\n', 0, nl)
        yield mm[nl + 1:prev_nl]
        prev_nl = nl + 1

def main():
    # Example usage
    with open('test.txt', 'r+') as infile:
        for line in reverse_file(infile):
            sys.stdout.write(line)

答案 10 :(得分:1)

您还可以在反转文件时计算行数,而不是猜测字节偏移量。

lines = 0
chunk_size = 1024

f = file('filename')
f.seek(0, 2)
f.seek(f.tell() - chunk_size)

while True:
    s = f.read(chunk_size)
    lines += s.count('\n')
    if lines > NUM_OF_LINES:
        break
    f.seek(f.tell() - chunk_size*2)

现在该文件可以运行readlines()。您还可以缓存第一次读取的字符串,以消除两次​​读取文件的相同部分。

答案 11 :(得分:0)

首先,返回一个列表的函数:

def lastNLines(file, N=10, chunksize=1024):
    lines = None
    file.seek(0,2) # go to eof
    size = file.tell()
    for pos in xrange(chunksize,size-1,chunksize):
        # read a chunk
        file.seek(pos,2)
        chunk = file.read(chunksize)
        if lines is None:
            # first time
            lines = chunk.splitlines()
        else:
            # other times, update the 'first' line with
            # the new data, and re-split
            lines[0:1] = (chunk + lines[0]).splitlines()
        if len(lines) > N:
            return lines[-N:]
    file.seek(0)
    chunk = file.read(size-pos)
    lines[0:1] = (chunk + lines[0]).splitlines()
    return lines[-N:]

其次,一个以相反的顺序迭代行的函数:

def iter_lines_reversed(file, chunksize=1024):
    file.seek(0,2)
    size = file.tell()
    last_line = ""
    for pos in xrange(chunksize,size-1,chunksize):
        # read a chunk
        file.seek(pos,2)
        chunk = file.read(chunksize) + last_line
        # split into lines
        lines = chunk.splitlines()
        last_line = lines[0]
        # iterate in reverse order
        for index,line in enumerate(reversed(lines)):
            if index > 0:
                yield line
    # handle the remaining data at the beginning of the file
    file.seek(0)
    chunk = file.read(size-pos) + last_line
    lines = chunk.splitlines()
    for line in reversed(lines):
        yield line

对于你的例子:

s = "foo"
for index, line in enumerate(iter_lines_reversed(fileObj)):
    if line == s:
        print "FOUND"
        break
    elif index+1 >= 10:
        break

修改:现在自动获取文件大小 Edit2:现在只迭代10行。

答案 12 :(得分:0)

此解决方案只会读取一次文件,但使用2个文件对象指针可以获取最后N行文件而无需重新读取它:

def getLastLines (path, n):
    # return the las N lines from the file indicated in path

    fp = open(path)
    for i in range(n):
        line = fp.readline()
        if line == '':
            return []

    back = open(path)
    for each in fp:
        back.readline()

    result = []
    for line in back:
        result.append(line[:-1])

    return result




s = "foo"
last_bit = getLastLines(r'C:\Documents and Settings\ricardo.m.reyes\My Documents\desarrollo\tail.py', 10)
for line in last_bit:
    if line == s:
        print "FOUND"

答案 13 :(得分:0)

就个人而言,我很想突破shell并调用tail -n10来加载文件。但后来我不是一个真正的Python程序员;)

答案 14 :(得分:0)

也许这可能有用:

import os.path

path = 'path_to_file'
os.system('tail -n1 ' + path)

答案 15 :(得分:0)

读取文件的最后几个Ks,并将其拆分为行,仅返回最后10个。

该块的开始不太可能落在线边界上,但无论如何你都会放弃第一行。

答案 16 :(得分:0)

感谢18个Darius Bacon提出的解决方案,但实现速度提高了30%,并包装到io.BaseIO类中。

class ReverseFile(io.IOBase):
    def __init__ (self, filename, headers=1):
        self.fp = open(filename)
        self.headers = headers
        self.reverse = self.reversed_lines()
        self.end_position = -1
        self.current_position = -1

    def readline(self, size=-1):
        if self.headers > 0:
            self.headers -= 1
            raw = self.fp.readline(size)
            self.end_position = self.fp.tell()
            return raw

        raw = next(self.reverse)
        if self.current_position > self.end_position:
            return raw

        raise StopIteration

    def reversed_lines(self):
        """Generate the lines of file in reverse order.
        """
        part = ''
        for block in self.reversed_blocks():
            block = block + part
            block = block.split('\n')
            block.reverse()
            part = block.pop()
            if block[0] == '':
                block.pop(0)

            for line in block:
                yield line + '\n'

        if part:
            yield part

    def reversed_blocks(self, blocksize=0xFFFF):
        "Generate blocks of file's contents in reverse order."
        file = self.fp
        file.seek(0, os.SEEK_END)
        here = file.tell()
        while 0 < here:
            delta = min(blocksize, here)
            here -= delta
            file.seek(here, os.SEEK_SET)
            self.current_position = file.tell()
            yield file.read(delta)

一个例子

rev = ReverseFile(filename)
for i, line in enumerate(rev):
        print("{0}: {1}".format(i, line.strip()))