背景

最近處理文本文檔時（文件約2GB大?。?，出現(xiàn)memoryError錯誤和文件讀取太慢的問題，后來找到了兩種比較快Large File Reading 的方法，本文將介紹這兩種讀取方法。

準備工作

　　我們談到“文本處理”時，我們通常是指處理的內(nèi)容。Python 將文本文件的內(nèi)容讀入可以操作的字符串變量非常容易。文件對象提供了三個“讀”方法： .read()、.readline() 和 .readlines()。每種方法可以接受一個變量以限制每次讀取的數(shù)據(jù)量，但它們通常不使用變量。 .read() 每次讀取整個文件，它通常用于將文件內(nèi)容放到一個字符串變量中。然而.read() 生成文件內(nèi)容最直接的字符串表示，但對于連續(xù)的面向行的處理，它卻是不必要的，并且如果文件大于可用內(nèi)存，則不可能實現(xiàn)這種處理。下面是read()方法示例：

try:
f = open('/path/to/file', 'r')
print f.read()
finally:
if f:
f.close() 

　　調(diào)用read()會一次性讀取文件的全部內(nèi)容，如果文件有10G，內(nèi)存就爆了，所以，要保險起見，可以反復調(diào)用read(size)方法，每次最多讀取size個字節(jié)的內(nèi)容。另外，調(diào)用readline()可以每次讀取一行內(nèi)容，調(diào)用readlines()一次讀取所有內(nèi)容并按行返回list。因此，要根據(jù)需要決定怎么調(diào)用。

　　如果文件很小，read()一次性讀取最方便；如果不能確定文件大小，反復調(diào)用read(size)比較保險；如果是配置文件，調(diào)用readlines()最方便：

for line in f.readlines():
process(line) #

分塊讀取

處理大文件是很容易想到的就是將大文件分割成若干小文件處理，處理完每個小文件后釋放該部分內(nèi)存。這里用了iter 和 yield：

def read_in_chunks(filePath, chunk_size=1024*1024):
"""
Lazy function (generator) to read a file piece by piece.
Default chunk size: 1M
You can set your own chunk size
"""
file_object = open(filePath)
while True:
chunk_data = file_object.read(chunk_size)
if not chunk_data:
break
yield chunk_data
if __name__ == "__main__":
filePath = './path/filename'
for chunk in read_in_chunks(filePath):
process(chunk) # <do something with chunk>

使用With open()

with語句打開和關閉文件，包括拋出一個內(nèi)部塊異常。for line in f文件對象f視為一個迭代器，會自動的采用緩沖IO和內(nèi)存管理，所以你不必擔心大文件。

代碼如下：

#If the file is line based
with open(...) as f:
　　for line in f:
　　　　process(line) # <do something with line>

優(yōu)化

面對百萬行的大型數(shù)據(jù)使用with open 是沒有問題的，但是這里面參數(shù)的不同也會導致不同的效率。經(jīng)過測試發(fā)先參數(shù)為"rb"時的效率是"r"的6倍。由此可知二進制讀取依然是最快的模式。

with open(filename,"rb") as f: 
  for fLine in f: 
  　　pass 

測試結(jié)果：rb方式最快，100w行全遍歷2.9秒?；灸軡M足中大型文件處理效率需求。如果從rb(二級制讀取)讀取改為r(讀取模式)，慢5-6倍。

結(jié)論

　　在使用python進行大文件讀取時，應該讓系統(tǒng)來處理，使用最簡單的方式，交給解釋器，就管好自己的工作就行了。同時根據(jù)不同的需求可以選擇不同的讀取參數(shù)進一步獲得更高的性能。

最新評論