Question

我目前正在成功使用python 2.7脚本，该脚本以递归方式遍历巨大的目录/文件路径，收集所有文件的路径，获取此类文件的mtime以及具有相同路径和名称的各个文件的mtime，但是供比较的pdf文件。我在python 2.7脚本中使用scandir.walk（），在python 3.7中使用os.walk（），最近已更新为也使用scandir算法（没有其他stat（）调用）。

但是，脚本的python 3版本仍然要慢得多！这不是由于算法的scandir / walk部分造成的，而是由于getmtime算法（但是，在python2和3中是相同的调用）或由于处理了巨大的列表（我们在说〜）。此列表中有500.000个条目。

有什么想法会导致这种情况以及如何解决此问题？

#!/usr/bin/env python3
#
# Imports
#
import sys
import time
from datetime import datetime
import os
import re

#
# MAIN THREAD
#

if __name__ == '__main__':

    source_dir = '/path_to_data/'

    # Get file list
    files_list = []
    for root, directories, filenames in os.walk(source_dir):
        # Filter for extension
        for filename in filenames:
            if (filename.lower().endswith(('.msg', '.doc', '.docx', '.xls', '.xlsx'))) and (not filename.lower().startswith('~')):
                files_list.append(os.path.join(root, filename))

    # Sort list
    files_list.sort(reverse=True)

    # For each file, the printing routine is performed (including necessity check)
    all_documents_counter = len(files_list)
    for docfile_abs in files_list:

        print('\n' + docfile_abs)

        # Define files
        filepathname_abs, file_extension = os.path.splitext(docfile_abs)
        filepath_abs, filename = os.path.split(filepathname_abs)

        # If the filename does not have the format # # # # # # # *.xxx (e.g. seven numbers), then it is checked whether it is referenced in the databse. If not, it is moved to a certain directory
        if (re.match(r'[0-9][0-9][0-9][0-9][0-9][0-9][0-9](([Aa][0-9][0-9]?)?|(_[0-9][0-9]?)?|([Aa][0-9][0-9]?_[0-9][0-9]?)?)\...?.?', filename + file_extension) is None):
            if any(expression in docfile_abs for expression in ignore_subdirs):
                pass
            else:
                print('Not in database')

        # DOC
        docfile_rel = docfile_abs.replace(source_dir, '')

        # Check pdf
        try:
            pdf_file_abs = filepathname_abs + '.pdf'
            pdf_file_timestamp = os.path.getmtime(pdf_file_abs)
            check_pdf = True
        except(FileNotFoundError):
            check_pdf = False
        # Check PDF
        try:
            PDF_file_abs = filepathname_abs + '.PDF'
            PDF_file_timestamp = os.path.getmtime(PDF_file_abs)
            check_PDF = True
        except(FileNotFoundError):
            check_PDF = False

        # Check whether ther are lowercase or uppercase extension and decide what to do if there are none, just one or both present
        if (check_pdf is True) and (check_PDF is False):
            # Lower case case
            pdf_extension = '.pdf'
            pdffile_timestamp = pdf_file_timestamp
        elif (check_pdf is False) and (check_PDF is True):
            # Upper case case
            pdf_extension = '.PDF'
            pdffile_timestamp = PDF_file_timestamp
        elif (check_pdf is False) and (check_PDF is False):
            # None -> set timestampt to zero
            pdf_extension = '.pdf'
            pdffile_timestamp = 0
        elif (check_pdf is True) and (check_PDF is True):
            # Both are present, decide for the newest and move the other to a directory
            if (pdf_file_timestamp < PDF_file_timestamp):
                pdf_extension = '.PDF'
                pdf_file_rel = pdf_file_abs.replace(source_dir, '')
                pdffile_timestamp = PDF_file_timestamp
            elif (PDF_file_timestamp < pdf_file_timestamp):
                pdf_extension = '.pdf'
                PDF_file_rel = PDF_file_abs.replace(source_dir, '')
                pdffile_timestamp = pdf_file_timestamp

        # Get timestamps of doc and pdf files
        try:
            docfile_timestamp = os.path.getmtime(docfile_abs)
        except OSError:
            docfile_timestamp = 0

        # Enable this to force a certain period to be printed
        DateBegin = time.mktime(time.strptime('01/02/2017', "%d/%m/%Y"))
        DateEnd = time.mktime(time.strptime('01/03/2017', "%d/%m/%Y"))

        # Compare stimestamps and print or not
        if (pdffile_timestamp < docfile_timestamp) or (pdffile_timestamp == 0):

            # Inform that there should be printed
            print('\tPDF should be printe.')

        else:
            # Inform that there was no need to print
            print('\tPDF is up to date.')


    # Exit
    sys.exit(0)

Answer 1

不确定导致差异的原因，但是即使os.walk已增强为使用scandir，它也不会扩展到进一步的getmtime调用，后者会再次访问文件属性时间。

最终目标是完全不呼叫os.path.getmtime 。

os.walk中的加速是关于不两次执行stat来了解对象是目录还是文件。但是内部DirEntry对象（scandir产生）从未公开，因此您无法重用它来检查文件时间。

如果您不需要回避，可以使用os.scandir：

for dir_entry in os.scandir(r"D:\some_path"):
    print(dir_entry.is_dir())  # test for directory
    print(dir_entry.stat())    # returns stat object with date and all

由于DirEntry对象已经缓存了此信息，因此在循环内进行这些调用的成本为零。

因此，要保存getmtime调用，您必须递归获取DirEntry对象。

没有本机方法，但是这里有示例，例如：How do I use os.scandir() to return DirEntry objects recursively on a directory tree?

通过这样做，您的代码在python 2和python 3中将更快，因为每个对象只有1个stat调用，而不是2个。

编辑：编辑以显示代码后，您似乎正在从其他条目构建pdf名称，因此您不能依靠DirEntry结构来获取时间，甚至不能确定文件是否存在。（同样，如果您使用的是Windows，则由于文件名不区分大小写，因此无需测试pdf和PDF）。

最好的策略是建立一个包含相关时间和所有时间的大型文件数据库（使用字典），然后对其进行扫描。我已成功使用此方法在3500万个文件缓慢的网络驱动器上查找旧文件/大文件。在我的个人示例中，扫描文件一次，然后将结果转储到一个大的csv文件中（花了几个小时，获取了6Gb的csv数据），然后进行了进一步的后处理，加载了数据库并执行了各种任务（由于没有磁盘访问，因此速度更快）参与进来了

Python 2 vs. 3缓慢的os.path.getmtime（）具有庞大的文件列表-为什么？

1 个答案: