4G 内存处理 10G 大小的文件

4G 内存处理 10G 大小的文件,单机怎么做?

下面的讨论基于的假定:可以单独处理一行数据,行间数据相关性为零。

方法一:

仅使用 Python 内置模板,逐行读取到内存。

使用 yield,好处是解耦读取操作和处理操作:

def python_read(filename):
    with open(filename,'r',encoding='utf-8') as f:
        while True:
            line = f.readline()
            if not line:
                return
            yield line
以上每次读取一行,逐行迭代,逐行处理数据

if __name__ == '__main__':
    g = python_read('./data/movies.dat')
    for c in g:
        print(c)
        # process c
方法二:

方法一有缺点,逐行读入,频繁的 IO 操作拖累处理效率。是否有一次 IO ,读取多行的方法?

pandas 包 read_csv 函数,参数有 38 个之多,功能非常强大。

关于单机处理大文件,read_csv 的 chunksize 参数能做到,设置为 5, 意味着一次读取 5 行。

def pandas_read(filename,sep=',',chunksize=5):
    reader = pd.read_csv(filename,sep,chunksize=chunksize)
    while True:
        try:
            yield reader.get_chunk()
        except StopIteration:
            print('---Done---')
            break
使用如同方法一:

if __name__ == '__main__':
    g = pandas_read('./data/movies.dat',sep="::")
    for c in g:
        print(c)
        # process c

 

posted on 2020-04-01 14:19  不要挡着我晒太阳  阅读(900)  评论(1编辑  收藏  举报

导航