处理非常大（超过 30GB）的文本文件并显示进度的最佳方法是什么答案

【问题标题】：What is the optimal way to process a very large (over 30GB) text file and also show progress处理非常大（超过 30GB）的文本文件并显示进度的最佳方法是什么
【发布时间】：2011-05-26 22:17:08
【问题描述】：

[新手问题]

嗨，

我正在处理一个超过 30GB 的巨大文本文件。

我必须对每一行进行一些处理，然后以 JSON 格式将其写入数据库。当我读取文件并使用“for”循环时，我的计算机在处理了大约 10% 的数据后崩溃并显示蓝屏。

我目前正在使用这个：

f = open(file_path,'r')
for one_line in f.readlines():
    do_some_processing(one_line)
f.close()

此外，我如何显示到目前为止已处理的数据的总体进度？

非常感谢大家。

【问题讨论】：

您是否尝试过摆脱已经处理的内容？
f.tell() 显示你在哪里，正如其他人所建议的那样；一次读取一行文件，而不是像上面那样一次读取所有文件

标签： python data-processing

【解决方案1】：

文件句柄是可迭代的，您可能应该使用上下文管理器。试试这个：

with open(file_path, 'r') as fh:
  for line in fh:
    process(line)

这可能就足够了。

【讨论】：

@Dhaivat - 我认为你不明白这段代码在做什么，它确实非常有效。比像read() 或readlines() 那样一次性读取整个文件内容要好得多。
@Dhaivat - 出于好奇，您认为哪一部分效率低下？它具有许多优点（整个文件不在内存中、错误处理、文件句柄自动关闭），而我看不到任何真正的缺点。
糟糕，这很尴尬。我评论了错误的答案。
@Dhaivat - 没问题。很高兴你澄清了。 :)

【解决方案2】：

我使用这样的函数来解决类似的问题。你可以用它来包装任何可迭代对象。

改变这个

for one_line in f.readlines():

您只需将代码更改为

# don't use readlines, it creates a big list of all data in memory rather than
# iterating one line at a time.
for one_line in in progress_meter(f, 10000):

您可能希望根据要浪费打印状态消息的时间来选择更小或更大的值。

def progress_meter(iterable, chunksize):
    """ Prints progress through iterable at chunksize intervals."""
    scan_start = time.time()
    since_last = time.time()
    for idx, val in enumerate(iterable):
        if idx % chunksize == 0 and idx > 0: 
            print idx
            print 'avg rate', idx / (time.time() - scan_start)
            print 'inst rate', chunksize / (time.time() - since_last)
            since_last = time.time()
            print
        yield val

【讨论】：

他还认为 readline() 是遍历行而不是行中的字符，所以我很确定这是一个错字。

【解决方案3】：

使用 readline 强制查找文件中每一行的结尾。如果某些行很长，可能会导致您的解释器崩溃（没有足够的内存来缓冲整行）。

为了显示进度，您可以检查文件大小，例如使用：

import os
f = open(file_path, 'r')
fsize = os.fstat(f).st_size

然后，您的任务进度可以是处理的字节数除以文件大小乘以 100 得到一个百分比。

【讨论】：