另外有些用户希望获取文件的长度(字符个数),哦这个其实很简单!
- fid=fopen('data.csv');
- fseek(fid,0,'eof')
- filelength = ftell(fid);
- fclose(fid);
现在问题来了,如何获取文本文件的行数呢??下面我们提供几种解决方案吧!本文代码中测试的data.csv数据文件总共有10万行,大概77M。
方法一
最容易想到的就是使用MATLAB的fgetl或fgets函数,对文本按行读取,然后对行数进行累加。
- tic
- fid=fopen('data.csv'); % 打开文件
- row=0;
- while ~feof(fid) % 是否读取到文件结尾
-
[~]=fgets(fid); %或者fgetl -
row=row+1; % 行数累加 - end
- fclose(fid); % 及时关闭文件是个好习惯
- row
- toc
运行结果如下,fgets大概耗时大概10s,如果fgetl速度会慢一些,大概需要13s,可能是因为fgel需要将尾部的回车去掉而增加了操作吧
row =
100000 Elapsed time is 10.556020 seconds.
方法二
其实MATLAB处理复杂文本文件,灵活性最好和效率最高的是textscan函数。灵活性就不用说了,textscan提供很多定制功能,比如跳过的标题行数、设置空白字符等经过测试;至于效率,经过测试,textscan在处理某些数据下是效率fscanf的10倍以上,另外仔细看看dlmread函数,其实也是调用了textscan函数。
接着有人要问,textscan是用来读取数据的,怎么用来统计行数?其实我们只是占了一个便宜而已!因为textscan提供了一个忽略特定字符串的功能。
- tic
- fid=fopen('data.csv');
- % '%*[^\n]' 这个设置估计有人看不懂,特别是后面的那个%
- % ,表示读取一个字符
- %%*[^\n],*表示忽略,[^]表示不是[]字符,合起来的意思就是忽略所有不是\n(回车)的字符,更直接的意思就是忽略到行尾
- data = (textscan(fid,'%*[^\n]'));
- fclose(fid);
- row=length(data{1})
- toc
row =
100000 Elapsed time is 12.660186 seconds.
运行时间12s,好像有点长哦,没有想象中的那么厉害。另外这个方法有两个个致命的弱点,因为程序必须每行读取一个字符
(1)假如文件很大,比如10G,那么就算每行读取一个字符,这个也超出了XP内存,因此读取失败!
(2)假如存在空行,那么会将回车读入,%*[^\n]于是就自动忽略了下一行,因此统计的行数不准确!
从上面分析textscan并不适合用于统计大型文件的行数,但是这并不能否定textscan的效率,因为textscan是千真万确一行一行的处理和读取数据文件,只是我们读取第一个字符然后忽略了剩下的所有字符而已。
方法三
其实越是底层的函数效率是越高的,只是使用不方便而已。MATLAB还有一个fread函数,不过这是默认处理的是二进制文件,不过没有关系,文本文件只是一个编码而已,我们还是可以使用fread进行读取的。
- tic
- fid=fopen('data.csv','rt'); % t是告诉fread是这里文本文件
- row=0;
- while ~feof(fid)
-
%一次性读取10000字符,计算其中的回车个数,其中10是回车的ASCII编码 -
%'*char'表示每次读取一个字符,*表示输出也是字符 -
%放心fread现在已经可以自动识别中文了,万一还是识别不了, -
% 请在fopen中指定文件编码格式,比如gbk -
row=row+sum(fread(fid,10000,'*char')==char(10)); -
%下面还有一个类似的方法,但是效率低很多,大概是上面的一半 -
%'char'表示每次读取一个字符,但是默认输出double, -
%也就是说读取char然后转换double中间有转换能快吗? -
%row=row+sum(fread(fid,10000,'char')==10); - end
- fclose(fid);
- row
- toc
这个效率呱呱的,简直天壤之别呀,才1.7s!看来这个结果比较令我满意哦!
row =
100000 Elapsed time is 1.721880 seconds.
方法四
上面的方法都是在循环中不停地对文件进行访问,自然效率是高不起来的。对于大型文件,还有其他什么好的解决方案呢,也许这个时候需要借组外部力量了!传说perl语言对文件操作有很多优势,同时linux提供了wc命令对文件进行行统计,不妨试试?
- tic
- % 判断计算机操作系统
- if (isunix) % Linux系统提供了wc命令可以直接使用
-
% 使用syetem函数可以执行操作系统的函数 -
% 比如window中dir,linux中ls等 -
[~, numstr] = system( ['wc -l', 'data.csv'] ); -
row=str2double(numstr); - elseif (ispc) % Windows系统可以使用perl命令
-
ifexist('countlines.pl','file')~=2 -
%perl文件内容很简单就两行 -
% while(<>) {}; -
% print$.,"\n"; -
fid=fopen('countlines.pl','w'); -
fprintf(fid,'%s\n%s','while(<>) {};','print $.,"\n";'); -
fclose(fid); -
end -
% 执行perl脚本 -
row=str2double(perl('countlines.pl', 'data.csv') ); - end
- row
- toc
楼主使用的是window系统,调用perl,果然不负众望,才0.89秒
row =
100000 Elapsed time is 0.889994 seconds.
其实上面的方法在处理真正的大型文件时,还是可能不是很理想的,本文中测试的文件才77M算不上什么大型文件,后来对一个大约80万行,大小622M的csv文件进行测试,使用perl方法结果如下:
row =
800001 Elapsed time is 15.859564 seconds.
文件越大,计算时间不是简单的线性增加!到了真正几十甚至几百G这样的大型数据,上面的方法几乎是不能忍受的,也许还有更好的解决方法吧!
有人问有什么好的方法生成上面的测试数据呀?我在MATLAB中是这样生成的!
- data=rand(10000,100); % 随机生成1w行数据
- save data.csv data -ascii % 保存为文本
- for ii=1:5 % 自己复制5次,生成2^5=32万行
- % 这里使用了dos命令,效率会好些
- % 千万不要使用fprint,否你会残废的
-
!type data.csv >>data.csv - end