python3读取文件指定行的三种方案

DechinPhy

发布于 2021-05-27 10:47:04

3.3K0

发布于 2021-05-27 10:47:04

文章被收录于专栏：Dechin的专栏

技术背景

考虑到深度学习领域中的数据规模一般都比较大，尤其是训练集，这个限制条件对应到实际编程中就意味着，我们很有可能无法将整个数据文件的内容全部都加载到内存中。那么就需要一些特殊的处理方式，比如：创建内存映射文件来替代原始文件被加载到内存中、预处理数据后再加载内存中以及单次只加载文件的片段。其中关于内存映射技术的一些应用，在前面的这2篇博客1和博客2中有所介绍，而本文将要介绍的是从文件中只读取特定行的内容的3种解决方案。

行遍历实现

在python中如果要将一个文件完全加载到内存中，通过file.readlines()即可，但是在文件占用较高时，我们是无法完整的将文件加载到内存中的，这时候就需要用到python的file.readline()进行迭代式的逐行读取：

filename = 'hello.txt'

with open(filename, 'r') as file:
    line = file.readline()
    counts = 1
    while line:
        if counts >= 50000000:
            break
        line = file.readline()
        counts += 1

这里我们的实现方式是先用一个with语句打开一个文件，然后用readline()函数配合while循环逐行加载，最终通过一个序号标记来结束循环遍历，输出文件第50000000行的内容。该代码的执行效果如下：

dechin@ubuntu2004:~/projects/gitlab/dechin/$ time python3 get_line.py 

real    0m10.359s
user    0m10.062s
sys     0m0.296s

可以看到这里的耗时为10s多一些。

linecache实现

虽然在python的readline函数中并没有实现读取指定行内容的方案，但是在另一个库linecache中是实现了的，由于使用的方式较为简单，这里直接放上代码示例供参考：

filename = 'hello.txt'

import linecache
text = linecache.getline(filename, 50000000)

该代码的执行结果如下：

dechin@ubuntu2004:~/projects/gitlab/dechin/$ time python3 get_line.py 

real    0m11.904s
user    0m5.672s
sys     0m6.231s

虽然在实现方式上简化了许多，但是我们发现这个实现的用时超过了11s，还不如我们自己手动实现的循环遍历方案。因此如果是对于性能有一定要求的场景，是不建议采用这个方案的。

命令行sed获取

我们知道用Linux系统本身自带的sed指令也是可以获取到文件指定行或者是指定行范围的数据的，其执行指令为：sed -n 50000000p filename即表示读取文件的第50000000行的内容。同时结合python的话，我们可以在python代码中执行系统指令并获取输出结果：

filename = 'hello.txt'

import os
result = os.popen('sed -n {}p {}'.format(50000000, filename)).read()

需要注意的是，如果直接运行os.system()是没有返回值的，只有os.popen()是有返回值的，并且需要在尾巴加上一个read()的选项。该代码的执行结果如下：

dechin@ubuntu2004:~/projects/gitlab/dechin/$ time python3 get_line.py 

real    0m2.532s
user    0m0.032s
sys     0m0.020s

可以看到直接使用sed指令的执行速度很快，但是用这种方法并不是一本万利的，比如以下这个例子：

filename = 'hello.txt'

import os
result = os.popen('sed -n {}p {}'.format(500, filename)).read()

我们把读取第50000000行内容改为读取第500行的内容，再运行一次程序：

dechin@ubuntu2004:~/projects/gitlab/dechin/$ time python3 get_line.py 

real    0m2.540s
user    0m0.037s
sys     0m0.013s

然而我们发现这个速度并没有因为要读取的行数减少了而变少，而是几乎保持不变的。

总结概要

本文通过4个测试案例分析了在python中读取文件指定行内容的方案，并得到了一些运行耗时的数据。从需求上来说，如果是对于小规模的数据，比如几百行规模的数据，建议使用readline循环遍历来操作，速度也相当不错，或者是linecache中的函数实现也是可以的，甚至可以直接用readlines将整个文本内容加载到内存中。但是对于数据规模比较大的场景，比如超过了千万行的级别，那么使用sed指令的方式对指定行内容进行读取的方式，应该是所有方式中最快速的。