Python:如何将巨大的文本文件读入内存

Question

我在带有1GB RAM的Mac Mini上使用Python 2.6.我想读一个巨大的文本文件

$ ls -l links.csv; file links.csv; tail links.csv 
-rw-r--r--  1 user  user  469904280 30 Nov 22:42 links.csv
links.csv: ASCII text, with CRLF line terminators
4757187,59883
4757187,99822
4757187,66546
4757187,638452
4757187,4627959
4757187,312826
4757187,6143
4757187,6141
4757187,3081726
4757187,58197

因此文件中的每一行都包含两个以逗号分隔的整数值的元组.我想读取整个文件并根据第二列对其进行排序.我知道,我可以在不将整个文件读入内存的情况下进行排序.但我认为对于一个500MB的文件,我仍然可以在内存中进行,因为我有1GB可用.

但是当我尝试读取文件时,Python似乎分配的内存比磁盘上的文件所需的内存多得多.因此,即使使用1GB的RAM,我也无法将500MB的文件读入内存.我用于读取文件和打印有关内存消耗的信息的Python代码是:

#!/usr/bin/python
# -*- coding: utf-8 -*-

import sys

infile=open("links.csv", "r")

edges=[]
count=0
#count the total number of lines in the file
for line in infile:
 count=count+1

total=count
print "Total number of lines: ",total

infile.seek(0)
count=0
for line in infile:
 edge=tuple(map(int,line.strip().split(",")))
 edges.append(edge)
 count=count+1
 # for every million lines print memory consumption
 if count%1000000==0:
  print "Position: ", edge
  print "Read ",float(count)/float(total)*100,"%."
  mem=sys.getsizeof(edges)
  for edge in edges:
   mem=mem+sys.getsizeof(edge)
   for node in edge:
    mem=mem+sys.getsizeof(node) 

  print "Memory (Bytes): ", mem 

我得到的输出是:

Total number of lines:  30609720
Position:  (9745, 2994)
Read  3.26693612356 %.
Memory (Bytes):  64348736
Position:  (38857, 103574)
Read  6.53387224712 %.
Memory (Bytes):  128816320
Position:  (83609, 63498)
Read  9.80080837067 %.
Memory (Bytes):  192553000
Position:  (139692, 1078610)
Read  13.0677444942 %.
Memory (Bytes):  257873392
Position:  (205067, 153705)
Read  16.3346806178 %.
Memory (Bytes):  320107588
Position:  (283371, 253064)
Read  19.6016167413 %.
Memory (Bytes):  385448716
Position:  (354601, 377328)
Read  22.8685528649 %.
Memory (Bytes):  448629828
Position:  (441109, 3024112)
Read  26.1354889885 %.
Memory (Bytes):  512208580

在阅读了500MB文件的25%后,Python消耗了500MB.因此,似乎将文件的内容存储为整数元组的列表并不是非常有效的内存.有没有更好的方法来做到这一点,以便我可以将我的500MB文件读入我的1GB内存？

Answer 1

有一个用于在此页面上对大于RAM的文件进行排序的方法,但您必须根据涉及CSV格式数据的情况对其进行调整.那里还有其他资源的链接.

编辑:是的,磁盘上的文件不是"大于RAM",但内存中的表示很容易变得比可用的RAM大得多.首先,你自己的程序没有获得整个1GB(操作系统开销等).另一方面,即使你以最紧凑的形式存储纯Python(两个整数列表,假设32位机器等),你也会使用934MB来处理那些30M对的整数.

使用numpy你也可以完成这项工作,只使用大约250MB.以这种方式加载并不是特别快,因为你必须计算行并预先分配数组,但它可能是最快的实际排序,因为它在内存中:

import time
import numpy as np
import csv

start = time.time()
def elapsed():
    return time.time() - start

# count data rows, to preallocate array
f = open('links.csv', 'rb')
def count(f):
    while 1:
        block = f.read(65536)
        if not block:
             break
        yield block.count(',')

linecount = sum(count(f))
print '\n%.3fs: file has %s rows' % (elapsed(), linecount)

# pre-allocate array and load data into array
m = np.zeros(linecount, dtype=[('a', np.uint32), ('b', np.uint32)])
f.seek(0)
f = csv.reader(open('links.csv', 'rb'))
for i, row in enumerate(f):
    m[i] = int(row[0]), int(row[1])

print '%.3fs: loaded' % elapsed()
# sort in-place
m.sort(order='b')

print '%.3fs: sorted' % elapsed()

使用类似于您显示的示例文件在我的机器上输出:

6.139s: file has 33253213 lines
238.130s: read into memory
517.669s: sorted

numpy中的默认值是Quicksort.ndarray.sort()例程(就地排序)也可以采用关键字参数kind="mergesort",kind="heapsort"但看起来它们都不能对记录数组进行排序,顺便说一下,我用它作为我可以看到的唯一方法来排序列一起而不是默认值,它们会独立排序(完全弄乱你的数据).

Answer 2

所有python对象在它们实际存储的数据之上都有内存开销.根据我的32位Ubuntu系统上的getsizeof,元组的开销为32字节,int占用12个字节,因此文件中的每一行占用56个字节+列表中的4个字节指针 - 我认为它会很多更多的64位系统.这与您给出的数字一致,意味着您的3000万行将占用1.8 GB.

我建议您使用unix排序实用程序而不是使用python.我不是Mac-head但我认为OS X排序选项与linux版本相同,所以这应该有效:

sort -n -t, -k2 links.csv

-n表示按数字排序

-t,表示使用逗号作为字段分隔符

-k2表示对第二个字段进行排序

这将对文件进行排序并将结果写入stdout.您可以将其重定向到另一个文件或将其传递给您的python程序以进行进一步处理.

编辑:如果您不想在运行python脚本之前对文件进行排序,则可以使用子进程模块创建到shell排序实用程序的管道,然后从管道输出中读取排序结果.