处理非常大（超过 30GB）文本文件并显示进度的最佳方法是什么

Question

[新手问题]

嗨，

我正在处理一个超过 30GB 的巨大文本文件。

我必须对每一行进行一些处理，然后以 JSON 格式将其写入数据库。当我读取文件并使用“for”循环时，我的计算机在处理数据大约 10% 后崩溃并显示蓝屏。

我目前正在使用这个：

f = open(file_path,'r')
for one_line in f.readlines():
    do_some_processing(one_line)
f.close()

另外，我如何显示到目前为止已处理多少数据的总体进度？

非常感谢大家。

Answer 1

文件句柄是可迭代的，您可能应该使用上下文管理器。试试这个：

with open(file_path, 'r') as fh:
  for line in fh:
    process(line)

这可能就足够了。

Answer 2

我使用这样的函数来解决类似的问题。您可以用它包装任何可迭代对象。

更改此设置

for one_line in f.readlines():

您只需将代码更改为

# don't use readlines, it creates a big list of all data in memory rather than
# iterating one line at a time.
for one_line in in progress_meter(f, 10000):

您可能需要选择一个更小或更大的值，具体取决于您想要浪费多少时间打印状态消息。

def progress_meter(iterable, chunksize):
    """ Prints progress through iterable at chunksize intervals."""
    scan_start = time.time()
    since_last = time.time()
    for idx, val in enumerate(iterable):
        if idx % chunksize == 0 and idx > 0: 
            print idx
            print 'avg rate', idx / (time.time() - scan_start)
            print 'inst rate', chunksize / (time.time() - since_last)
            since_last = time.time()
            print
        yield val

Answer 3

使用 readline 强制查找文件中每一行的结尾。如果某些行非常长，可能会导致解释器崩溃（没有足够的内存来缓冲整行）。

为了显示进度，您可以检查文件大小，例如使用：

import os
f = open(file_path, 'r')
fsize = os.fstat(f).st_size

任务的进度可以是处理的字节数除以文件大小乘以 100 得到的百分比。