我在尝试拆分大文件(比如大约10GB)时遇到了一些麻烦。基本思路是简单地读取行,并将每行分组,将40000行写入一个文件。 但是有两种方式可以阅读"文件。
1)第一个是立即读取WHOLE文件,并将其变为LIST。但是这需要将WHOLE文件加载到内存中,这对于太大的文件来说是痛苦的。 (我想我之前问过这样的问题) 在python中,我尝试过立即读取整个文件的方法包括:
input1=f.readlines()
input1 = commands.getoutput('zcat ' + file).splitlines(True)
input1 = subprocess.Popen(["cat",file],
stdout=subprocess.PIPE,bufsize=1)
那么,我可以轻松地将40000行分组到一个文件中:list[40000,80000] or list[80000,120000]
或者使用列表的优点是我们可以轻松指向特定的行。
2)第二种方式是逐行阅读;在阅读时处理该行。那些读取行不会被保存在内存中。 例子包括:
f=gzip.open(file)
for line in f: blablabla...
或
for line in fileinput.FileInput(fileName):
我确定gzip.open,这个f不是列表,而是文件对象。似乎我们只能逐行处理;然后我怎么能执行这个" split"工作?如何指向文件对象的特定行?
由于
答案 0 :(得分:15)
NUM_OF_LINES=40000
filename = 'myinput.txt'
with open(filename) as fin:
fout = open("output0.txt","wb")
for i,line in enumerate(fin):
fout.write(line)
if (i+1)%NUM_OF_LINES == 0:
fout.close()
fout = open("output%d.txt"%(i/NUM_OF_LINES+1),"wb")
fout.close()
答案 1 :(得分:4)
如果在每个文件中都有特定数量的文件行没有什么特别之处,readlines()
function也接受一个大小'hint'参数,其行为如下:
如果给出一个可选的参数sizehint,它会从中读取多个字节 该文件以及足以完成一行,并返回行 从那以后。这通常用于允许有效读取大量 按行文件,但无需在内存中加载整个文件。 只返回完整的行。
...所以你可以写下这样的代码:
# assume that an average line is about 80 chars long, and that we want about
# 40K in each file.
SIZE_HINT = 80 * 40000
fileNumber = 0
with open("inputFile.txt", "rt") as f:
while True:
buf = f.readlines(SIZE_HINT)
if not buf:
# we've read the entire file in, so we're done.
break
outFile = open("outFile%d.txt" % fileNumber, "wt")
outFile.write(buf)
outFile.close()
fileNumber += 1
答案 2 :(得分:3)
chunk_size = 40000
fout = None
for (i, line) in enumerate(fileinput.FileInput(filename)):
if i % chunk_size == 0:
if fout: fout.close()
fout = open('output%d.txt' % (i/chunk_size), 'w')
fout.write(line)
fout.close()
答案 3 :(得分:2)
对于10GB文件,第二种方法显然是要走的路。以下是您需要做的概述:
答案 4 :(得分:0)
显然,当您正在处理文件时,您需要以某种方式迭代文件的内容 - 无论您是手动执行还是让Python API的一部分为您执行(例如readlines) ()方法)并不重要。在大O分析中,这意味着您将花费O(n)时间(n是文件的大小)。
但是将文件读入内存也需要O(n)空间。虽然有时我们确实需要将10 GB的文件读入内存,但您的特定问题并不需要这样。我们可以直接迭代文件对象。当然,文件对象确实需要空间,但我们没有理由以两种不同的形式保存文件的内容两次。
因此,我会选择你的第二个解决方案。
答案 5 :(得分:0)
我发现的最佳解决方案是使用库文件拆分 (https://pypi.org/project/filesplit/)。
您只需要指定输入文件、输出文件夹和输出文件所需的字节大小。最后,图书馆将为您完成所有工作。
from fsplit.filesplit import Filesplit
fs = Filesplit()
def split_cb(f, s):
print("file: {0}, size: {1}".format(f, s))
fs.split(file="/path/to/source/file", split_size=900000, output_dir="/pathto/output/dir", callback=split_cb)