Python 按行读取文本文件 缓存 和 非缓存实现
需求
最近项目中有个读取文件的需求，数据量还挺大，10万行的数量级。
java 使用缓存读取文件是，会相应的创建一个内部缓冲区数组在java虚拟机内存中，因此每次处理的就是这一整块内存。
简单的想：就是如果不用缓存，每次都要硬盘–虚拟机缓存–读取；有了缓存，提前读了一段放在虚拟机缓存里，可以避免频繁将硬盘上的数据读到缓存里。
因为对内存的操作肯定是比硬盘的操作要快的。
对了，java还有映射内存，可以解决大文件读写的问题。
思路
大文件读写不能一次全部读入内存，这样会导致耗尽内存。（但是在内存允许的情况下，全部读入内存是不是速度更快？？）
对于大文件可以一行一行读取，因为我们处理完这行，就可以把它抛弃。
我们也可以一段一段读取大文件，实现一种缓存处理。每次读取一段文件，将这段文件放在缓存里，然后对这段处理。这会比一行一行快些。
方法1：一行一行读取
我们可以打开一个文件，然后用for循环读取每行，比如：
def method1(newName): s1 = time.clock() oldLine = '0' count = 0 for line in open(newName): newLine = line if (newLine != oldLine): #判断是不是空行 if newLine.strip(): nu = newLine.split()[0] oldLine = newLine count += 1 print "deal %s lines" %(count) e1 = time.clock() print "cost time " + str(e1-s1)
我们测试一下
fileName = 'E:\\pythonProject\\ruisi\\correct_re.txt' method1(fileName)
输出
deal 218376 lines cost time 0.288900734402
方法1.1 一行一行读取的变形
def method11(newName): s1 = time.clock() oldLine = '0' count = 0 file = open(newName) while 1: line = file.readline() if not line: break else: if line.strip(): newLine = line if (newLine != oldLine): nu = newLine.split()[0] oldLine = newLine count += 1 print "deal %s lines" %(count) e1 = time.clock() print "cost time " + str(e1-s1)
deal 218376 lines cost time 0.371977884619
耗时和方法1差不多，比方法1稍微多些。
方法2：一行一行，使用fileinput模块
def method2(newName): s1 = time.clock() oldLine = '0' count = 0 for line in fileinput.input(newName): newLine = line if newLine.strip(): if (newLine != oldLine): nu = newLine.split()[0] oldLine = newLine count += 1 print "deal %s lines" %(count) e1 = time.clock() print "cost time " + str(e1-s1)
deal 218376 lines cost time 0.514534051673
这儿的耗时差不多是方法1的两倍。
借助缓存，每次读取1000行
def method3(newName): s1 = time.clock() file = open(newName) oldLine = '0' count = 0 while 1: lines = file.readlines(10*1024) #print len(lines) if not lines: break for line in lines: if line.strip(): newLine = line if (newLine != oldLine): nu = newLine.split()[0] oldLine = newLine count += 1 print "deal %s lines" %(count) e1 = time.clock()
Note
readlinessizehint() 参数是限定字节大小，不是行数。
注意默认有个内部缓冲区大小是8KB，如果设定值小于 8*1024。那么都是按照8KB来的。print len(lines)输出大概都为290。
只有当设定值大于8KB，上面的print len(lines)才会发生变化。
deal 218376 lines cost time 0.296652349397
这儿的性能还没方法1，表现好。可以调整每次读取的行数，比如500,1000等等，可以达到不同的耗时。
方法4 一次性全部读到内存里
def method4(newName): s1 = time.clock() file = open(newName) oldLine = '0' count = 0 for line in file.readlines(): if line.strip(): newLine = line if (newLine != oldLine): nu = newLine.split()[0] oldLine = newLine count += 1 print "deal %s lines" %(count) e1 = time.clock() print "cost time " + str(e1-s1)
输出
deal 218376 lines cost time 0.30108883108
结论
推荐使用
with open('foo.txt', 'r') as f: for line in f: # do_something(line) 对于大文件可以使用索引，这个索引记录下每行开头的位置，之后就可以用file.seek()定位了。如果文件内容修改了，还需要重新建立索引。这个索引可以有很多种方法建立，但是都需要将文件遍历一次。