用Python读取大文件（上）（hackstoic） 通常我们在读取文件的时候，会用到read（）， readline（）， readlines（）。 通常可能会有这样的用法：
def test1(): with open("/tmp/test.log", "r") as f: print f.read()
或者
def test2(): f = open("/tmp/test.log", "r") for line in f.readlines(): print line f.close()
read （）的方法是一次性把文件的内容以字符串的方式读到内存， 放到一个字符串变量中
readlines（）的方法是一次性读取所有内容， 并按行生成一个list
因为read（）和readlines（）是一次性把文件加载到内存， 如果文件较大， 甚至比内存的大小还大， 内存就会爆掉。 所以，这两种方法只适合读取小的文件。
实际工作中，会碰到读取10几G的大文件的需求， 比如说日志文件。 这时候就要用的新的读取文件的方法。 这里提供两种方法， 有简单，有复杂，但基本原理都是一样的。 就是利用到生成器generator。
方法一：
将文件切分成小段，每次处理完小段内容后，释放内存
这里会使用yield生成自定义可迭代对象， 即generator， 每一个带有yield的函数就是一个generator。
def read_in_block(file_path): BLOCK_SIZE = 1024 with open(file_path, "r") as f: while True: block = f.read(BLOCK_SIZE) # 每次读取固定长度到内存缓冲区 if block: yield block else: return # 如果读取到文件末尾，则退出def test3(): file_path = "/tmp/test.log" for block in read_in_block(file_path): print block
方法二：
利用open（“”， “”）系统自带方法生成的迭代对象
def test4(): with open("/tmp/test.log") as f: for line in f: print line for line in f 这种用法是把文件对象f当作迭代对象， 系统将自动处理IO缓冲和内存管理， 这种方法是更加pythonic的方法。 比较简洁。
以上代码均在python2.7环境调试通过。
本文大略讲解了几种处理文件的方法， 并介绍了大文件的正确打开‘姿势’。 这里提到了几个概念： 分别是生成器，迭代器， 文件对象。 你可能会对这些概念比较陌生， 没关系， 我会在下篇再深入解释这些
|
|
收藏
淘帖
踩
