用Python读取大文件（上）

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。 

转载请注明来自： http://blog.youkuaiyun.com/hackstoic/article/details/49804655 ， 作者hackstoic

----------------------上篇完-------------------------------

【参考文献】

1.  http://chenqx.github.io/2014/10/29/Python-fastest-way-to-read-a-large-file/

2.  http://www.zhidaow.com/post/python-read-big-file

3.  http://pyzh.readthedocs.org/en/latest/the-python-yield-keyword-explained.html

4.  https://www.ibm.com/developerworks/cn/opensource/os-cn-python-yield/#ibm-pcon