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。

参考资料

python的readlines返回行数问题

Python按行读文件