Question

我有一个384MB的文本文件，有5000万行。每行包含2个以空格分隔的整数：键和值。该文件按键排序。我需要一种有效的方法来查找Python中大约200个键列表的值。

我目前的方法包括在下面。这需要30秒。必须有更高效的Python foo才能将其降低到最多几秒钟的合理效率。

# list contains a sorted list of the keys we need to lookup
# there is a sentinel at the end of list to simplify the code
# we use pointer to iterate through the list of keys
for line in fin:
  line = map(int, line.split())
  while line[0] == list[pointer].key:
    list[pointer].value = line[1]
    pointer += 1
  while line[0] > list[pointer].key:
    pointer += 1
  if pointer >= len(list) - 1:
    break # end of list; -1 is due to sentinel

编码二进制搜索+搜索解决方案（感谢kigurai！）：

entries = 24935502 # number of entries
width   = 18       # fixed width of an entry in the file padded with spaces
                   # at the end of each line
for i, search in enumerate(list): # list contains the list of search keys
  left, right = 0, entries-1 
  key = None
  while key != search and left <= right:
    mid = (left + right) / 2
    fin.seek(mid * width)
    key, value = map(int, fin.readline().split())
    if search > key:
      left = mid + 1
    else:
      right = mid - 1
  if key != search:
    value = None # for when search key is not found
  search.result = value # store the result of the search

Answer 1

如果你只需要500万行中的200行，那么把它全部读入内存是一种浪费。我会对搜索键列表进行排序，然后使用seek（）或类似的方法将二进制搜索应用于该文件。这样你就不会将整个文件读到内存中，我认为应该加快速度。

Answer 2

S.Lotts的轻微优化答案：

from collections import defaultdict
keyValues= defaultdict(list)
targetKeys= # some list of keys as strings
for line in fin:
    key, value = line.split()
    if key in targetKeys:
        keyValues[key].append( value )

由于我们使用的是字典而不是列表，因此密钥不一定是数字。这会将map（）操作和字符串保存为每行的整数转换。如果您希望密钥是数字，那么只需为每个密钥执行一次，而不是为每个密钥执行一次，将转换作为结束。

Answer 3

目前尚不清楚“list [pointer]”是什么。不过考虑一下。

from collections import defaultdict
keyValues= defaultdict(list)
targetKeys= # some list of keys
for line in fin:
    key, value = map( int, line.split())
    if key in targetKeys:
        keyValues[key].append( value )

Answer 4

我会使用内存映射：http://docs.python.org/library/mmap.html。这样您就可以像使用文件一样存储在内存中，但操作系统会决定从文件中实际读取哪些页面。

Answer 5

这是文本文件

上的递归二进制搜索

import os, stat

class IntegerKeyTextFile(object):
    def __init__(self, filename):
        self.filename = filename
        self.f = open(self.filename, 'r')
        self.getStatinfo()

    def getStatinfo(self):
        self.statinfo = os.stat(self.filename)
        self.size = self.statinfo[stat.ST_SIZE]

    def parse(self, line):
        key, value = line.split()
        k = int(key)
        v = int(value)
        return (k,v)

    def __getitem__(self, key):
        return self.findKey(key)

    def findKey(self, keyToFind, startpoint=0, endpoint=None):
        "Recursively search a text file"

        if endpoint is None:
            endpoint = self.size

        currentpoint = (startpoint + endpoint) // 2

        while True:
            self.f.seek(currentpoint)
            if currentpoint <> 0:
                # may not start at a line break! Discard.
                baddata = self.f.readline() 

            linestart = self.f.tell()
            keyatpoint = self.f.readline()

            if not keyatpoint:
                # read returned empty - end of file
                raise KeyError('key %d not found'%(keyToFind,))

            k,v = self.parse(keyatpoint)

            if k == keyToFind:
                print 'key found at ', linestart, ' with value ', v
                return v

            if endpoint == startpoint:
                    raise KeyError('key %d not found'%(keyToFind,))

            if k > keyToFind:
                return self.findKey(keyToFind, startpoint, currentpoint)
            else:
                return self.findKey(keyToFind, currentpoint, endpoint)

在jEdit中创建的示例文本文件似乎有效：

>>> i = integertext.IntegerKeyTextFile('c:\\sampledata.txt')
>>> i[1]
key found at  0  with value  345
345

通过缓存找到的密钥并使用缓存来确定未来的起始搜索点，肯定可以改善它。

Answer 6

如果您对文件格式有任何控制权，则“排序和二进制搜索”响应是正确的。细节是这只适用于固定大小和偏移的记录（好吧，我应该说它只适用于固定长度的记录）。

使用固定长度记录，您可以轻松搜索已排序文件周围的（）以找到您的密钥。

Answer 7

一种可能的优化是使用file.readlines(..)中的sizehint选项进行一些缓冲。这允许您在内存中加载多行，总计大约sizehint个字节。

Answer 8

您需要使用seek（）

实现二进制搜索

在Python中读取巨大的文件

8 个答案: