如何逐行读取大型文本文件，而不将其加载到内存中？

Question

我需要逐行读取一个大文件。假设该文件超过 5GB，我需要读取每一行，但显然我不想使用readlines()，因为它会在内存中创建一个非常大的列表。

下面的代码将如何处理这种情况？ xreadlines 本身是不是一一读入内存？需要生成器表达式吗？

f = (line for line in open("log.txt").xreadlines())  # how much is loaded in memory?

f.next()  

另外，我该怎么做才能以相反的顺序阅读这篇文章，就像 Linux tail 命令一样？

我找到了：

http://code.google.com/p/pytailer/

和

“python head, tail and backward read by lines of a text file”

两者都工作得很好！

Answer 1

我提供这个答案是因为 Keith 的回答虽然简洁，但并没有明确地关闭文件

with open("log.txt") as infile:
    for line in infile:
        do_something_with(line)

Answer 2

您需要做的就是使用文件对象作为迭代器。

for line in open("log.txt"):
    do_something_with(line)

在最近的 Python 版本中使用上下文管理器更好。

with open("log.txt") as fileobject:
    for line in fileobject:
        do_something_with(line)

这也会自动关闭文件。

Answer 3

老派的方法：

fh = open(file_name, 'rt')
line = fh.readline()
while line:
    # do stuff with line
    line = fh.readline()
fh.close()

Answer 4

您最好使用迭代器。
相关：fileinput — Iterate over lines from multiple input streams.

来自文档：

import fileinput
for line in fileinput.input("filename", encoding="utf-8"):
    process(line)

这将避免一次将整个文件复制到内存中。

Answer 5

请试试这个：

with open('filename','r',buffering=100000) as f:
    for line in f:
        print line

Answer 6

如果文件中没有换行符，请执行以下操作：

with open('large_text.txt') as f:
  while True:
    c = f.read(1024)
    if not c:
      break
    print(c)

Answer 7

我无法相信这会像@john-la-rooy 的回答看起来那么简单。因此，我使用逐行读写重新创建了cp 命令。速度太快了。

#!/usr/bin/env python3.6

import sys

with open(sys.argv[2], 'w') as outfile:
    with open(sys.argv[1]) as infile:
        for line in infile:
            outfile.write(line)

Answer 8

blaze 项目在过去 6 年中取得了长足的进步。它有一个简单的 API，涵盖了有用的 pandas 功能子集。

dask.dataframe 在内部负责分块，支持许多可并行化的操作，并允许您轻松地将切片导出回 pandas 以进行内存中的操作。

import dask.dataframe as dd

df = dd.read_csv('filename.csv')
df.head(10)  # return first 10 rows
df.tail(10)  # return last 10 rows

# iterate rows
for idx, row in df.iterrows():
    ...

# group by my_field and return mean
df.groupby(df.my_field).value.mean().compute()

# slice by column
df[df.my_field=='XYZ'].compute()

Answer 9

这是加载任何大小的文本文件而不会导致内存问题的代码。 它支持千兆字节大小的文件

https://gist.github.com/iyvinjose/e6c1cb2821abd5f01fd1b9065cbc759d

下载文件 data_loading_utils.py 并将其导入您的代码中

用法

import data_loading_utils.py.py
file_name = 'file_name.ext'
CHUNK_SIZE = 1000000


def process_lines(data, eof, file_name):

    # check if end of file reached
    if not eof:
         # process data, data is one single line of the file

    else:
         # end of file reached

data_loading_utils.read_lines_from_file_as_data_chunks(file_name, chunk_size=CHUNK_SIZE, callback=self.process_lines)

process_lines 方法是回调函数。它将为所有行调用，参数数据一次代表文件的一行。

您可以根据您的机器硬件配置配置变量CHUNK_SIZE。

Answer 10

这个怎么样？ 把你的文件分成块然后逐行读取，因为当你读取一个文件时，你的操作系统会缓存下一行。如果您逐行读取文件，则无法有效利用缓存信息。

相反，将文件分成块并将整个块加载到内存中，然后进行处理。

def chunks(file,size=1024):
    while 1:

        startat=fh.tell()
        print startat #file's object current position from the start
        fh.seek(size,1) #offset from current postion -->1
        data=fh.readline()
        yield startat,fh.tell()-startat #doesnt store whole list in memory
        if not data:
            break
if os.path.isfile(fname):
    try:
        fh=open(fname,'rb') 
    except IOError as e: #file --> permission denied
        print "I/O error({0}): {1}".format(e.errno, e.strerror)
    except Exception as e1: #handle other exceptions such as attribute errors
        print "Unexpected error: {0}".format(e1)
    for ele in chunks(fh):
        fh.seek(ele[0])#startat
        data=fh.read(ele[1])#endat
        print data

Answer 11

谢谢！我最近转换为 python 3，并且对使用 readlines(0) 读取大文件感到沮丧。这解决了问题。但是为了得到每一行，我必须做几个额外的步骤。每行前面都有一个“b”，我猜它是二进制格式。使用“decode(utf-8)”将其更改为 ascii。

然后我必须删除每行中间的“=\n”。

然后我在新行拆分行。

b_data=(fh.read(ele[1]))#endat This is one chunk of ascii data in binary format
        a_data=((binascii.b2a_qp(b_data)).decode('utf-8')) #Data chunk in 'split' ascii format
        data_chunk = (a_data.replace('=\n','').strip()) #Splitting characters removed
        data_list = data_chunk.split('\n')  #List containing lines in chunk
        #print(data_list,'\n')
        #time.sleep(1)
        for j in range(len(data_list)): #iterate through data_list to get each item 
            i += 1
            line_of_data = data_list[j]
            print(line_of_data)

这是从 Arohi 代码中“打印数据”上方开始的代码。

Answer 12

我找到的最佳解决方案，我在 330 MB 的文件上进行了尝试。

lineno = 500
line_length = 8
with open('catfour.txt', 'r') as file:
    file.seek(lineno * (line_length + 2))
    print(file.readline(), end='')

其中 line_length 是单行中的字符数。例如“abcd”的行长为 4。

我在行长中添加了 2 以跳过 '\n' 字符并移至下一个字符。

Answer 13

我意识到这个问题在很久以前就已经得到了回答，但是这里有一种并行执行的方法，而不会杀死您的内存开销（如果您尝试将每一行都放入池中，就会出现这种情况）。显然，将 readJSON_line2 函数换成有意义的东西——这只是为了说明这一点！

加速将取决于文件大小和您对每一行所做的操作 - 但对于小文件并仅使用 JSON 阅读器读取它的最坏情况，我看到使用以下设置的 ST 的性能相似。

希望对外面的人有用：

def readJSON_line2(linesIn):
  #Function for reading a chunk of json lines
   '''
   Note, this function is nonsensical. A user would never use the approach suggested 
   for reading in a JSON file, 
   its role is to evaluate the MT approach for full line by line processing to both 
   increase speed and reduce memory overhead
   '''
   import json

   linesRtn = []
   for lineIn in linesIn:

       if lineIn.strip() != 0:
           lineRtn = json.loads(lineIn)
       else:
           lineRtn = ""
        
       linesRtn.append(lineRtn)

   return linesRtn




# -------------------------------------------------------------------
if __name__ == "__main__":
   import multiprocessing as mp

   path1 = "C:\\user\\Documents\\"
   file1 = "someBigJson.json"

   nBuffer = 20*nCPUs  # How many chunks are queued up (so cpus aren't waiting on processes spawning)
   nChunk = 1000 # How many lines are in each chunk
   #Both of the above will require balancing speed against memory overhead

   iJob = 0  #Tracker for SMP jobs submitted into pool
   iiJob = 0  #Tracker for SMP jobs extracted back out of pool

   jobs = []  #SMP job holder
   MTres3 = []  #Final result holder
   chunk = []  
   iBuffer = 0 # Buffer line count
   with open(path1+file1) as f:
      for line in f:
            
          #Send to the chunk
          if len(chunk) < nChunk:
              chunk.append(line)
          else:
              #Chunk full
              #Don't forget to add the current line to chunk
              chunk.append(line)
                
              #Then add the chunk to the buffer (submit to SMP pool)                  
              jobs.append(pool.apply_async(readJSON_line2, args=(chunk,)))
              iJob +=1
              iBuffer +=1
              #Clear the chunk for the next batch of entries
              chunk = []
                            
          #Buffer is full, any more chunks submitted would cause undue memory overhead
          #(Partially) empty the buffer
          if iBuffer >= nBuffer:
              temp1 = jobs[iiJob].get()
              for rtnLine1 in temp1:
                  MTres3.append(rtnLine1)
              iBuffer -=1
              iiJob+=1
            
      #Submit the last chunk if it exists (as it would not have been submitted to SMP buffer)
      if chunk:
          jobs.append(pool.apply_async(readJSON_line2, args=(chunk,)))
          iJob +=1
          iBuffer +=1

      #And gather up the last of the buffer, including the final chunk
      while iiJob < iJob:
          temp1 = jobs[iiJob].get()
          for rtnLine1 in temp1:
              MTres3.append(rtnLine1)
          iiJob+=1

   #Cleanup
   del chunk, jobs, temp1
   pool.close()

Answer 14

当您想要并行工作并且只读取数据块但使用新行保持干净时，这可能很有用。

def readInChunks(fileObj, chunkSize=1024):
    while True:
        data = fileObj.read(chunkSize)
        if not data:
            break
        while data[-1:] != '\n':
            data+=fileObj.read(1)
        yield data