在python中使用多线程读取txt文件

Question

我正在尝试在python中读取一个文件(扫描它并寻找术语)并写下结果 - 比方说,每个术语的计数器.我需要为大量文件(超过3000个)做到这一点.有可能做多线程吗？如果有,怎么样？

所以,场景是这样的:

• 读取每个文件并扫描其行
• 将计数器写入我读过的所有文件的相同输出文件.

第二个问题是,它是否提高了读/写速度.

希望它足够清楚.谢谢,

罗恩.

Answer 1

我同意@aix,multiprocessing绝对是要走的路.无论你是否受到限制 - 无论你运行了多少个并行进程,你都只能读得这么快.但是很容易有一些加速.

请考虑以下内容(输入/是包含来自Project Gutenberg的几个.txt文件的目录).

import os.path
from multiprocessing import Pool
import sys
import time

def process_file(name):
    ''' Process one file: count number of lines and words '''
    linecount=0
    wordcount=0
    with open(name, 'r') as inp:
        for line in inp:
            linecount+=1
            wordcount+=len(line.split(' '))

    return name, linecount, wordcount

def process_files_parallel(arg, dirname, names):
    ''' Process each file in parallel via Poll.map() '''
    pool=Pool()
    results=pool.map(process_file, [os.path.join(dirname, name) for name in names])

def process_files(arg, dirname, names):
    ''' Process each file in via map() '''
    results=map(process_file, [os.path.join(dirname, name) for name in names])

if __name__ == '__main__':
    start=time.time()
    os.path.walk('input/', process_files, None)
    print "process_files()", time.time()-start

    start=time.time()
    os.path.walk('input/', process_files_parallel, None)
    print "process_files_parallel()", time.time()-start

当我在我的双核机器上运行时,有一个明显的(但不是2倍)加速:

$ python process_files.py
process_files() 1.71218085289
process_files_parallel() 1.28905105591

如果文件足够小以适应内存,并且您需要完成许多不受i/o约束的处理,那么您应该会看到更好的改进.