在 Python 中遍历目录树的相当快的方法？

Question

假设给定的目录树具有合理的大小：比如说像 Twisted 或 Python 这样的开源项目，遍历和迭代该目录内所有文件/目录的绝对路径的最快方法是什么？

我想在 Python 中执行此操作。 os.path.walk 很慢。所以我尝试了ls -lR和tree -fi。对于包含大约 8337 个文件（包括 tmp、pyc、test、.svn 文件）的项目：

$ time tree -fi > /dev/null 

real    0m0.170s
user    0m0.044s
sys     0m0.123s

$ time ls -lR > /dev/null 

real    0m0.292s
user    0m0.138s
sys     0m0.152s

$ time find . > /dev/null 

real    0m0.074s
user    0m0.017s
sys     0m0.056s
$

tree 似乎比 ls -lR 更快（尽管 ls - R 比 tree 更快，但它不提供完整路径）。 find 是最快的。

有人能想到更快和/或更好的方法吗？在 Windows 上，如果需要，我可以简单地提供 32 位二叉树.exe 或 ls.exe。

更新 1：添加了 find

更新 2：为什么我要这样做？ ...我正在尝试对 cd、pushd 等进行智能替换，并为其他依赖于传递路径的命令（less、more、cat、vim、tail）进行包装命令。程序偶尔会使用文件遍历来执行此操作（例如：输入“cd sr grai pat lxml”将自动转换为“cd src/pypm/grail/patches/lxml”）。如果这个 CD 替换需要半秒才能运行，我不会满意。请参阅http://github.com/srid/pf

Answer 1

即使 os.path.walk 根本不花时间，你在 pf 中的方法也会慢得令人绝望。在所有现有路径上进行包含 3 个无界闭包的正则表达式匹配将会杀死你。这是我引用的 Kernighan 和 Pike 的代码，这是一个任务的正确算法：

/* spname:  return correctly spelled filename */
/*
 * spname(oldname, newname)  char *oldname, *newname;
 *  returns -1 if no reasonable match to oldname,
 *           0 if exact match,
 *           1 if corrected.
 *  stores corrected name in newname.
 */

#include <sys/types.h>
#include <sys/dir.h>

spname(oldname, newname)
    char *oldname, *newname;
{
    char *p, guess[DIRSIZ+1], best[DIRSIZ+1];
    char *new = newname, *old = oldname;

    for (;;) {
        while (*old == '/') /* skip slashes */
            *new++ = *old++;
        *new = '\0';
        if (*old == '\0')   /* exact or corrected */
            return strcmp(oldname,newname) != 0;
        p = guess;  /* copy next component into guess */
        for ( ; *old != '/' && *old != '\0'; old++)
            if (p < guess+DIRSIZ)
                *p++ = *old;
        *p = '\0';
        if (mindist(newname, guess, best) >= 3)
            return -1;  /* hopeless */
        for (p = best; *new = *p++; ) /* add to end */
            new++;                    /* of newname */
    }
}

mindist(dir, guess, best)   /* search dir for guess */
    char *dir, *guess, *best;
{
    /* set best, return distance 0..3 */
    int d, nd, fd;
    struct {
        ino_t ino;
        char  name[DIRSIZ+1];   /* 1 more than in dir.h */
    } nbuf;

    nbuf.name[DIRSIZ] = '\0';   /* +1 for terminal '\0' */
    if (dir[0] == '\0')     /* current directory */
        dir = ".";
    d = 3;  /* minimum distance */
    if ((fd=open(dir, 0)) == -1)
        return d;
    while (read(fd,(char *) &nbuf,sizeof(struct direct)) > 0)
        if (nbuf.ino) {
            nd = spdist(nbuf.name, guess);
            if (nd <= d && nd != 3) {
                strcpy(best, nbuf.name);
                d = nd;
                if (d == 0)     /* exact match */
                    break;
            }
        }
    close(fd);
    return d;
}

/* spdist:  return distance between two names */
/*
 *  very rough spelling metric:
 *  0 if the strings are identical
 *  1 if two chars are transposed
 *  2 if one char wrong, added or deleted
 *  3 otherwise
 */

#define EQ(s,t) (strcmp(s,t) == 0)

spdist(s, t)
    char *s, *t;
{
    while (*s++ == *t)
        if (*t++ == '\0')
            return 0;       /* exact match */
    if (*--s) {
        if (*t) {
            if (s[1] && t[1] && *s == t[1] 
              && *t == s[1] && EQ(s+2, t+2))
                return 1;   /* transposition */
            if (EQ(s+1, t+1))
                return 2;   /* 1 char mismatch */
        }
        if (EQ(s+1, t))
            return 2;       /* extra character */
    }
    if (*t && EQ(s, t+1))
        return 2;           /* missing character */
    return 3;
}

注意：此代码是在 ANSI C、ISO C 或 POSIX 之前编写的，当人们读取原始目录文件时甚至无法想象任何内容。代码的方法比所有的指针吊索有用得多。

Answer 2

在性能上很难比 find 更好，但问题是快多少以及为什么需要它这么快？您声称 os.path.walk 很慢，事实上，在我的机器上，在 16k 目录树上，它慢了约 3 倍。但话又说回来，我们讨论的是 Python 0.68 秒和 1.9 秒之间的差异。

如果设置速度记录是您的目标，那么您无法击败硬编码的 C，因为它完全受 75% 的系统调用限制，并且您无法使操作系统运行得更快。也就是说，25% 的 Python 时间花在系统调用上。您想对遍历的路径做什么？

Answer 3

您没有提到的一种解决方案是“os.walk”。我不确定它会比 os.path.walk 更快，但客观上它更好。

您还没有说当您拥有目录列表时要如何处理它，因此很难给出更具体的建议。

Answer 4

虽然我怀疑你是否有多个读取头，但以下是如何遍历几百万个文件的方法（我们在几分钟内就完成了 10M+）。

https://github.com/hpc/purger/blob/master /src/treewalk/treewalk.c