Question

我必须遍历30GB的文件（其中有30个文件），而500mb大约需要15分钟。知道我正在逐行循环，如何优化性能？

Python

import json
import os

def file_subreddit_comments(rfname,wfname):
    with open(rfname, 'r', encoding="utf8") as rf:
        with open(wfname, 'w', encoding="utf-8") as wf:
            for i, l in enumerate(rf):
                d = json.loads(l)
                link_id = d["link_id"]
                for lsi in list_submission_id:
                    constructed_link_id = "t3_" + lsi
                    if link_id == constructed_link_id:
                        wf.write(l)                    

defaultFilePath = r'D:\Users\Jonathan\Desktop\Reddit Data\Run Comments\\'
directory = os.fsencode(defaultFilePath)

list_submission_id = []
submission_id_file = r'D:\Users\Jonathan\Desktop\Reddit Data\Manipulated Data-09-03-19-Final\UniqueIDSubmissionsList-09-03-2019.txt'
with open(submission_id_file, "r", encoding="utf8") as sif:
    for i, l in enumerate(sif):
        list_submission_id.append(l.rstrip())

for file in os.listdir(directory):
     filename = os.fsdecode(file)
     comment_path_read = defaultFilePath + filename
     comment_path_save = defaultFilePath + filename + "_ext_com.txt"
     file_subreddit_comments(comment_path_read,comment_path_save)     
     print(filename)

submission_id_file是一个列表，其中包含大约1000个关键字，并且需要验证constructured_link_id的值是否在列表中。

Answer 1

多线程和多处理可能是Thom上面提出的解决方案。好吧，至少它减少了我执行任务的时间。 12个内核= 12个文件被同时操纵。

Answer 2

如果在旋转的拼盘硬盘上执行此操作，则可能会遇到寻道时间问题。尝试将所有数据写入内存中的对象，然后最后一次将其全部转储到文件中。

我不能百分百地确定这是问题所在，只是理论上的问题。容易尝试。

编辑：刚刚发现了另一个大大的加速。

改为设置list_submission_id

list_submission_id = set()
list_submission_id.add("t3_" + l.rstrip())

然后使用以下方法检查成员资格：

link_id = d["link_id"]
if link_id in list_submission_id :
    wf.write(l)

与我的其他建议不同，这肯定会大大加快速度。

如何在python中更快地处理大型文件？

2 个答案: