python:从压缩文本文件中读取行

Question

是否很容易使用python从gz压缩的文本文件中读取一行而不完全提取文件？我有一个text.gz文件,它是200mb.当我提取它时,它变成7.4gb.这不是我必须阅读的唯一文件.对于整个过程,我必须阅读10个文件.虽然这将是一项顺序工作,但我认为在没有提取整个信息的情况下这样做是明智之举.我甚至不知道这是可能的.如何使用python完成？我需要逐行阅读文本文件.

Answer 1

使用gzip.GzipFile:

import gzip

with gzip.open('input.gz','rt') as f:
    for line in f:
        print('got line', line)

注意:gzip.open(filename, mode)是别名gzip.GzipFile(filename, mode).我更喜欢前者,因为它看起来类似于with open(...) as f:用于打开未压缩文件.

Answer 2

你可以在python中使用标准的gzip模块.只需使用:

gzip.open('myfile.gz')

以任何其他文件打开文件并读取其行.

更多信息:Python gzip模块

Answer 3

你尝试过使用gzip.GzipFile吗？参数类似于open.

Answer 4

gzip 库（显然）使用gzip，这可能有点慢。您可以通过系统调用Pigz（.NET 的并行化版本）来加快速度gzip。缺点是您必须安装pigz，并且在运行过程中需要更多内核，但它速度更快并且不会占用更多内存。然后，对该文件的调用将变为os.popen('pigz -dc ' + filename)而不是gzip.open(filename,'rt'). Pigz 标志用于-d解压缩和-c标准输出输出，然后可以通过os.popen.

以下代码接受一个文件和一个数字（1 或 2），并计算文件中不同调用的行数，同时测量代码所花费的时间。在 中定义以下代码unzip-file.py：

#!/usr/bin/python
import os
import sys
import time
import gzip

def local_unzip(obj):
    t0 = time.time()
    count = 0
    with obj as f:
        for line in f:
            count += 1
    print(time.time() - t0, count)

r = sys.argv[1]
if sys.argv[2] == "1":
    local_unzip(gzip.open(r,'rt'))
else:
    local_unzip(os.popen('pigz -dc ' + r))

调用这些 using/usr/bin/time -f %M来测量 28G 文件上进程的最大内存使用量，我们得到：

$ /usr/bin/time -f %M ./unzip-file.py $file 1
(3037.2604110240936, 1223422024)
5116

$ /usr/bin/time -f %M ./unzip-file.py $file 2
(598.771901845932, 1223422024)
4996

显示使用基本相同的最大内存，系统调用速度大约快五倍（10 分钟与 50 分钟相比）。还值得注意的是，根据您在文件中每行读取的内容可能不是限制因素，在这种情况下，您采取的选项并不重要。