使用python处理百万条数据分享(适用于java新手)

1、前言

因为负责基础服务,经常需要处理一些数据,但是大多时候采用awk以及java程序即可,但是这次突然有百万级数据需要处理,通过awk无法进行匹配,然后我又采用java来处理,文件一分为8同时开启8个线程并发处理,但是依然处理很慢,处理时长起码在1天+所以无法忍受这样的处理速度就采用python来处理,结果速度有了质的提升,大约处理时间为1个小时多一点,这个时间可以接受,后续可能继续采用大数据思想来处理,相关的会在后续继续更新。

2、安装python

 

第一步首先下载python软件,在官网可以根据自己情况合理下载,其余就是下一步搞定,然后在开始里面找到python的exe,点击开然后输入1+1就可以看出是否安装成功了.如下图

 

3、IEDA编辑器如何使用python

首先我们在idea中打开设置然后点击plugins,在里面有个输入框中输入python,根据提示找到如下的这个(idea版本不同可能影响python版本)

 

然后开始创建idea工程

file->New->Project->python然后出现如下图情况(其他的下一步然后就会创建工程了)

 

4、开发前知识准备

文件的读取,python读取文件非常的简单,我现在直接贴代码提供给大家

 

def readData(fileName):
    result = ""
    count=0
    with open(fileName, 'r') as f:
        for line in f.readlines():
            result += line
            count += 1
            print count
    return result


"""写入文件"""


def writeData(fileName, data):
    with open(fileName, 'a+')as f:
        f.write(data)

 

其中def是函数的定义,如果我们写定义一个函数直接前面加上def,返回值可以获取后直接用return即可

python我们直接采用with open('文件路径',模式) as f的方式来打开文件

模式：

r	只读	文件不存在则出错
r+	支持读写	文件不存在则出错,写入时,会覆盖源文件
w	只写	如果文件不存在则创建文件,会覆盖源文件,如果写入内容少则保留为覆盖的内容
w+	支持读写	同上
a	只写	如果文件不存在则创建文件,会采用追加模式
a+	读写	同上
b	二进制读写

 

 

 

 

 

 

 

 

 

跨文件引用:

同一个层级python是采用import直接导入文件名的方式,看下一个代码

 

import IoUtils

fileName1 = 'D:\\works\\pythons\\files\\userids.txt'
userIds = IoUtils.readData(fileName1).split('\n')
fileName2 = 'D:\\works\\pythons\\files\\records.txt'
records = IoUtils.readData(fileName2).strip()
recordsArr = records.split('\n')
count=0;
for data in recordsArr:
    count+=1
    if data.split('\t')[2] in userIds:
        IoUtils.writeData('D:\\works\\pythons\\files\\20180604.txt', data + '\n')
    print count

 

其他说明：

其中split和java程序的split一样,strip是去掉空格换行符等,循环(for in)模式,判断某个元素是否在数组中存在则直接使用 元素 in 数组

 

5、总结

如果你有数据量级别在百分的时候我建议优先可以想到python处理真的特别方便,而且很简单学习成本也很低,但是却很实用，其实awk在数据处理中也发挥很大的作用,大家可以私下学习,如果有时间我会分享一些,关于数据我这里就不提供了大家可以按照我上述代码跑就可以,更细节的我推荐看廖雪峰的python教程。