python读取GB级的文本数据，防止memoryError
由于python水平不够，很多高效的方法不太了解，最近在处理大文本数据时，用老方法读取文件内容，容易内存溢出，所以找到这个教程，目前正在读取1.5G的文本文件。
转载地址来源：http://chenqx.github.io/2014/10/29/Python-fastest-way-to-read-a-large-file/
感谢！！！！
另外自己看到一个方法是，每次读取一部分，然后释放变量，用的是python的gc模块。
import gc
del a(a是一个变量)
gc.collect()
最近处理文本文档时（文件约2GB大小），出现memoryError错误和文件读取太慢的问题，后来找到了两种比较快Large File Reading 的方法，本文将介绍这两种读取方法。
Preliminary
我们谈到“文本处理”时，我们通常是指处理的内容。Python 将文本文件的内容读入可以操作的字符串变量非常容易。文件对象提供了三个“读”方法： .read()、.readline() 和 .readlines()。每种方法可以接受一个变量以限制每次读取的数据量，但它们通常不使用变量。 .read() 每次读取整个文件，它通常用于将文件内容放到一个字符串变量中。然而 .read() 生成文件内容最直接的字符串表示，但对于连续的面向行的处理，它却是不必要的，并且如果文件大于可用内存，则不可能实现这种处理。下面是read()方法示例：
| 123456 | try: f = open("/path/to/file", "r") print f.read()finally: if f: f.close() |
调用read()会一次性读取文件的全部内容，如果文件有10G，内存就爆了，所以，要保险起见，可以反复调用read(size)方法，每次最多读取size个字节的内容。另外，调用readline()可以每次读取一行内容，调用readlines()一次读取所有内容并按行返回list。因此，要根据需要决定怎么调用。
如果文件很小，read()一次性读取最方便；如果不能确定文件大小，反复调用read(size)比较保险；如果是配置文件，调用readlines()最方便：
| 12 | for line in f.readlines(): process(line) # <do something with line> |
Read In Chunks
处理大文件是很容易想到的就是将大文件分割成若干小文件处理，处理完每个小文件后释放该部分内存。这里用了iter & yield：
| 123456789101112131415161718 | def read_in_chunks(filePath, chunk_size=1024*1024): """ Lazy function (generator) to read a file piece by piece. Default chunk size: 1M You can set your own chunk size """ file_object = open(filePath) while True: chunk_data = file_object.read(chunk_size) if not chunk_data: break yield chunk_dataif __name__ == "__main__": filePath = "./path/filename" for chunk in read_in_chunks(filePath): process(chunk) # <do something with chunk> |
Using with open()
with语句打开和关闭文件，包括抛出一个内部块异常。for line in f文件对象f视为一个迭代器，会自动的采用缓冲IO和内存管理，所以你不必担心大文件。
| 1234 | #If the file is line basedwith open(...) as f: for line in f: process(line) # <do something with line> |
Conclusion
在使用python进行大文件读取时，应该让系统来处理，使用最简单的方式，交给解释器，就管好自己的工作就行了。
- 上一篇： Python内存管理机制
- 下一篇： 一次python内存溢出的排查
