Question

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＆＃34;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＆＃34; split＆＃34;工作？如何指向文件对象的特定行？

由于

Answer 1

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()

Answer 2

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

Answer 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()

Answer 4

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：

打开输入文件。
打开第一个输出文件。
从输入文件中读取一行并将其写入输出文件。
保持计数到当前输出文件的行数;一旦达到40000，关闭输出文件，然后打开下一个文件。
重复步骤3-4，直到您到达输入文件的末尾。
关闭这两个文件。

Answer 5

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。

Answer 6

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)

使用python拆分大文件

6 个答案: