Python 文件相关操作

内置函数文件读取

1. 通常我们在读取文件的时候，会用到read()， readline()， readlines()。
   read ()的方法是一次性把文件的内容以字符串的方式读到内存， 放到一个字符串变量中
   readlines()的方法是一次性读取所有内容， 并按行生成一个list
   因为read()和readlines()是一次性把文件加载到内存， 如果文件较大， 甚至比内存的大小还大， 内存就会爆掉。 所以，这两种方法只适合读取小的文件。

def test():
    f = open("/tmp/test.log", "r")
    print f.read()
    f.close()
    f = open("/tmp/test.log", "r")
    for line in f.readlines():
        print line
    f.close()

2. 实际工作中，会碰到读取10几G的大文件的需求， 比如说日志文件。 这时候就要用的新的读取文件的方法： 就是利用到生成器generator。

• 将文件切分成小段，每次处理完小段内容后，释放内存，这里会使用yield生成自定义可迭代对象， 即generator， 每一个带有yield的函数就是一个generator。

def read_in_block(file_path):
    BLOCK_SIZE = 64*10000
    with open(file_path, "r") as f:
        while True:
            block = f.read(BLOCK_SIZE)  # 每次读取固定长度到内存缓冲区
            if block:
                yield block
            else:
                return  # 如果读取到文件末尾，则退出
def test():
    file_path = "/tmp/test.log"
    for block in read_in_block(file_path):
        print block

• 利用open（“”， “”）系统自带方法生成的迭代对象

def test():
    with open("/tmp/test.log") as f:
        for line in f:
            print line 

for line in f 这种用法是把文件对象f当作迭代对象， 系统将自动处理IO缓冲和内存管理， 这种方法是更加pythonic的方法。 比较简洁。

利用Pandas函数

import pandas as pd
def read_data(file_name):
    '''
    file_name:文件地址
    '''
    inputfile = open(file_name, 'rb')   #可打开含有中文的地址
    data = pd.read_csv(inputfile, iterator=True)
    loop = True
    chunkSize = 1000    #一千行一块
    chunks = []
    while loop:
        try:
            chunk = data.get_chunk(chunkSize)
            chunks.append(chunk)
        except StopIteration:
            loop = False
            print("Iteration is stopped.")
    data = pd.concat(chunks, ignore_index=True)
    #print(train.head())
    return data