在Python3中迭代文件行时`tell()`的替代方法？

Question

在迭代Python3中的文件时,如何找出文件光标的位置？

在Python 2.7中,它是微不足道的,使用tell().在Python3中,同一个调用抛出OSError:

Traceback (most recent call last):
  File "foo.py", line 113, in check_file
    pos = infile.tell()
OSError: telling position disabled by next() call

我的用例是创建一个用于读取大型CSV文件的进度条.计算总行数太昂贵,需要额外通过.一个近似值非常有用,我不关心缓冲区或其他噪声源,我想知道它是否需要10秒或10分钟.

简单的代码重现问题.它在Python 2.7上按预期工作,但抛出Python 3:

file_size = os.stat(path).st_size
with open(path, "r") as infile:
    reader = csv.reader(infile)
    for row in reader:
        pos = infile.tell()  # OSError: telling position disabled by next() call
        print("At byte {} of {}".format(pos, file_size))

这个答案/sf/answers/2074925121/表明问题是该next()方法tell()在迭代期间禁用.替代方案是逐行手动读取,但该代码在CSV模块内,所以我无法得到它.我也无法通过禁用来理解Python 3的收益tell().

那么在迭代Python 3中的文件行时找出字节偏移量的首选方法是什么？

Answer 1

csv模块只需要reader调用的第一个参数是一个迭代器,它在每次next调用时返回一行.所以你可以使用迭代器包装器来计算字符数.如果您希望计数准确,则必须以二进制模式打开文件.但事实上,这很好,因为你将没有csv模块预期的行结束转换.

所以可能的包装是:

class SizedReader:
    def __init__(self, fd, encoding='utf-8'):
        self.fd = fd
        self.size = 0
        self.encoding = encoding   # specify encoding in constructor, with utf8 as default
    def __next__(self):
        line = next(self.fd)
        self.size += len(line)
        return line.decode(self.encoding)   # returns a decoded line (a true Python 3 string)
    def __iter__(self):
        return self

您的代码将变为:

file_size = os.stat(path).st_size
with open(path, "rb") as infile:
    szrdr = SizedReader(infile)
    reader = csv.reader(szrdr)
    for row in reader:
        pos = szrdr.size  # gives position at end of current line
        print("At byte {} of {}".format(pos, file_size))

这里的好消息是你保留了csv模块的所有功能,包括引用字段中的换行符......