Python 读取大文件 chunk(block_size) 的疑惑 - V2EX
V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
推荐学习书目
Learn Python the Hard Way
Python Sites
PyPI - Python Package Index
http://diveintopython.org/toc/index.html
Pocoo
值得关注的项目
PyPy
Celery
Jinja2
Read the Docs
gevent
pyenv
virtualenv
Stackless Python
Beautiful Soup
结巴中文分词
Green Unicorn
Sentry
Shovel
Pyflakes
pytest
Python 编程
pep8 Checker
Styles
PEP 8
Google Python Style Guide
Code Style from The Hitchhiker's Guide
evemoo
V2EX    Python

Python 读取大文件 chunk(block_size) 的疑惑

  •  
  •   evemoo 2023-08-03 15:27:40 +08:00 2107 次点击
    这是一个创建于 869 天前的主题,其中的信息可能已经有所发展或是发生改变。

    生成一个 10 行的文本文件,每一行以 "\n" 结尾,统计行数为 10 。

    def generate_file(): with open("line.log", "w") as f: for i in range(1, 10+1): f.write(f"Line is: your target line{i} to print\n") def chunked_file_reader(fp, block_size=4 * 1024): while True: chunk = fp.read(block_size) if not chunk: break yield chunk def get_line_count(fname): count = 0 with open(fname) as fp: for chunk in chunked_file_reader(fp): count += chunk.count("\n") return count generate_file() line_count = get_line_count("line.log") # > 10 

    block_size 亦或者说 buffering 传入的大小是每一行的长度,count 结果会变成 9 ,求解

    def return_count(fname): count = 0 with open(fname) as fp: line = fp.readline() for chunk in chunked_file_reader(fp, len(line)): count += chunk.count("\n") return count generate_file() line_count = get_line_count("line.log") # > 9 
    9 条回复    2023-08-03 18:12:10 +08:00
    NoOneNoBody
        1
    NoOneNoBody  
       2023-08-03 15:38:22 +08:00
    最后一行没有\n 的,是 EOF
    evemoo
        2
    evemoo  
    OP
       2023-08-03 15:43:43 +08:00
    @NoOneNoBody
    如果我去掉 line = fp.readline() 这行直接传 36 (每一行的长度),返回值也是 10
    如果加上这一行打印每一个 chunk ,则是从第二行开始了:Line is: your target line2 to print

    所以我的疑惑是:open 里面的函数 read 、readline 、readlines 会影响后续的 chunk 读取?
    yushenglin
        3
    yushenglin  
       2023-08-03 16:05:46 +08:00   1
    你用 readline()操作得到时候,文件流已经操作到第一行后面了,你后面就只能读到 9 个,你可以试下用下 fp.seek(0),恢复到文件开始位置,又会变成 10 个了
    NoOneNoBody
        4
    NoOneNoBody  
       2023-08-03 16:07:59 +08:00   1
    @evemoo #2
    呃,我看漏了,前面说的不对

    readline 是读取一行,完成时指针已经跳到第二行,所以统计少了一个\n
    所以 line = fp.readline() 是没必要的,还造成后面的 for 读少了一行,包括行数和首行内容
    如果有其他需求非要读取首行,那需要一个把指针复位到文件开始的操作,或者按这样写但最后合并处理(计数器要补加 1 )
    evemoo
        5
    evemoo  
    OP
       2023-08-03 16:17:33 +08:00
    @yushenglin 确实是这样

    如果要分页读取数据,比如 10 行总计 400 bytes ,假设分 5 页,每页两行、每页 80 bytes 。

    fp.seek() 该怎么读取指定页面指定行呢?比如我想读取第三页的第二行
    yushenglin
        6
    yushenglin  
       2023-08-03 16:56:35 +08:00
    @evemoo 这种只能通过计算去处理了,暂时没想到什么好办法,可以期待一下其他大牛的回复
    westoy
        7
    westoy  
       2023-08-03 17:04:39 +08:00   1
    文本数据要效率的话, 最少要维护一个 offset_t[]的索引文件的

    直接用 sqlite 吧, 别折腾了
    marcolin18
        8
    marcolin18  
       2023-08-03 17:47:34 +08:00
    @westoy 同意 sqlite ,或者 OP 说说场景
    evemoo
        9
    evemoo  
    OP
       2023-08-03 18:12:10 +08:00
    @marcolin18 没有什么场景,就是最近遇到大文件读写指定行的时候发散思维到分页处理上。
    后续会试试 sqlite 的,先谢谢上面各位了。
    关于     帮助文档     自助推广系统     博客     API     FAQ     Solana     2606 人在线   最高记录 6679       Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 26ms UTC 13:05 PVG 21:05 LAX 05:05 JFK 08:05
    Do have faith in what you're doing.
    ubao msn snddm index pchome yahoo rakuten mypaper meadowduck bidyahoo youbao zxmzxm asda bnvcg cvbfg dfscv mmhjk xxddc yybgb zznbn ccubao uaitu acv GXCV ET GDG YH FG BCVB FJFH CBRE CBC GDG ET54 WRWR RWER WREW WRWER RWER SDG EW SF DSFSF fbbs ubao fhd dfg ewr dg df ewwr ewwr et ruyut utut dfg fgd gdfgt etg dfgt dfgd ert4 gd fgg wr 235 wer3 we vsdf sdf gdf ert xcv sdf rwer hfd dfg cvb rwf afb dfh jgh bmn lgh rty gfds cxv xcv xcs vdas fdf fgd cv sdf tert sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf shasha9178 shasha9178 shasha9178 shasha9178 shasha9178 liflif2 liflif2 liflif2 liflif2 liflif2 liblib3 liblib3 liblib3 liblib3 liblib3 zhazha444 zhazha444 zhazha444 zhazha444 zhazha444 dende5 dende denden denden2 denden21 fenfen9 fenf619 fen619 fenfe9 fe619 sdf sdf sdf sdf sdf zhazh90 zhazh0 zhaa50 zha90 zh590 zho zhoz zhozh zhozho zhozho2 lislis lls95 lili95 lils5 liss9 sdf0ty987 sdft876 sdft9876 sdf09876 sd0t9876 sdf0ty98 sdf0976 sdf0ty986 sdf0ty96 sdf0t76 sdf0876 df0ty98 sf0t876 sd0ty76 sdy76 sdf76 sdf0t76 sdf0ty9 sdf0ty98 sdf0ty987 sdf0ty98 sdf6676 sdf876 sd876 sd876 sdf6 sdf6 sdf9876 sdf0t sdf06 sdf0ty9776 sdf0ty9776 sdf0ty76 sdf8876 sdf0t sd6 sdf06 s688876 sd688 sdf86