Question

我现在有一个非常简单的脚本，使用enumerate()计算文本文件中的行：

i = 0
f = open("C:/Users/guest/Desktop/file.log", "r")
for i, line in enumerate(f):
      pass
print i + 1
f.close()

这需要大约3分半钟才能完成大约3000万行的15GB日志文件。如果我能在两分钟或更短的时间内得到它，那将是很好的，因为这些是每日日志，我们想要进行每月分析，因此代码必须处理30个~15GB的日志 - 可能超过一个半小时，我们希望尽量减少时间和时间。服务器上的内存负载。

我也会接受一个好的近似/估计方法，但它需要大约4 sig fig准确...

谢谢！

Answer 1

Ignacio's answer是正确的，但如果你有32位进程可能会失败。

但也许以块为单位读取文件然后计算每个块中的\n个字符可能很有用。

def blocks(files, size=65536):
    while True:
        b = files.read(size)
        if not b: break
        yield b

with open("file", "r") as f:
    print sum(bl.count("\n") for bl in blocks(f))

将完成你的工作。

请注意，我不会将文件打开为二进制文件，因此\r\n将转换为\n，从而使计数更可靠。

对于Python 3，并使其更加健壮，用于读取具有各种字符的文件：

def blocks(files, size=65536):
    while True:
        b = files.read(size)
        if not b: break
        yield b

with open("file", "r",encoding="utf-8",errors='ignore') as f:
    print (sum(bl.count("\n") for bl in blocks(f)))

Answer 2

我知道它有点不公平，但你可以这样做

int(subprocess.check_output("wc -l C:\\alarm.bat").split()[0])

如果您使用的是Windows，请查看Coreutils。

Answer 3

快速的1行解决方案是：

sum(1 for i in open(file_path, 'rb'))

它应该适用于任意大小的文件。

Answer 4

mmap该文件，并计算新行。

Answer 5

我会扩展gl的答案并使用多处理Python模块运行他/她的代码以便更快地计算：

def blocks(f, cut, size=64*1024): # 65536
    start, chunk =cut
    iter=0
    read_size=int(size)
    _break =False
    while not _break:
        if _break: break
        if f.tell()+size>start+chunk:
            read_size=int(start+chunk- f.tell() )
            _break=True
        b = f.read(read_size)
        iter +=1
        if not b: break
        yield b


def get_chunk_line_count(data):
    fn,  chunk_id, cut = data
    start, chunk =cut
    cnt =0
    last_bl=None

    with open(fn, "r") as f:
        if 0:
            f.seek(start)
            bl = f.read(chunk)
            cnt= bl.count('\n')
        else:
            f.seek(start)
            for i, bl  in enumerate(blocks(f,cut)):
                cnt +=  bl.count('\n')
                last_bl=bl

        if not last_bl.endswith('\n'):
            cnt -=1

        return cnt
....
pool = multiprocessing.Pool(processes=pool_size,
                            initializer=start_process,
                            )
pool_outputs = pool.map(get_chunk_line_count, inputs)
pool.close() # no more tasks
pool.join()

这将使计数性能提高20倍。我把它包裹到script并把它放到Github。

（Python）尽可能快地计算巨大（> 10GB）文件中的行

5 个答案: