web-dev-qa-db-ja.com

（Python）巨大な（> 10GB）ファイルの行をできるだけ速く数える

現在、enumerate()を使用してテキストファイルの行数をカウントする非常に単純なスクリプトがあります。

i = 0
f = open("C:/Users/guest/Desktop/file.log", "r")
for i, line in enumerate(f):
      pass
print i + 1
f.close()

これは、約3,000万行の15GBのログファイルを処理するのに約3分半かかります。これらは毎日のログであり、毎月の分析を行いたいので、これを2分以内に取得できれば素晴らしいと思います。そのため、コードは約15GBの30個のログを処理する必要があります。おそらく1時間半以上です。 、サーバーの時間とメモリの負荷を最小限に抑えたいと考えています。

私も良い近似/推定方法に落ち着きますが、それは約4有効数字の正確さである必要があります...

ありがとうございました！

pythonenumerateline-count
24
Adrienne

Ignacioの答え は正しいですが、32ビットプロセスの場合は失敗する可能性があります。

ただし、ファイルをブロックごとに読み取ってから、各ブロックの\n文字を数えると便利な場合があります。

def blocks(files, size=65536):
    while True:
        b = files.read(size)
        if not b: break
        yield b

with open("file", "r") as f:
    print sum(bl.count("\n") for bl in blocks(f))

あなたの仕事をします。

ファイルをバイナリとして開かないことに注意してください。そのため、\r\nは\nに変換され、カウントの信頼性が高まります。

Python 3の場合、およびより堅牢にするために、すべての種類の文字を含むファイルを読み取る場合：

def blocks(files, size=65536):
    while True:
        b = files.read(size)
        if not b: break
        yield b

with open("file", "r",encoding="utf-8",errors='ignore') as f:
    print (sum(bl.count("\n") for bl in blocks(f)))
27
glglgl

私はそれが少し不公平であることを知っていますが、あなたはこれを行うことができます

int(subprocess.check_output("wc -l C:\\alarm.bat").split()[0])

Windowsを使用している場合は、 Coreutils を確認してください。

11
Jakob Bowyer

高速な1行のソリューションは次のとおりです。

sum(1 for i in open(file_path, 'rb'))

任意のサイズのファイルで動作するはずです。

6
AJSmyth

mmap ファイル、および改行をカウントアップします。

4
Ignacio Vazquez-Abrams

私はglの答えを拡張し、マルチプロセッシングPythonモジュールを使用して彼/彼女のコードを実行してカウントを高速化します：

def blocks(f, cut, size=64*1024): # 65536
    start, chunk =cut
    iter=0
    read_size=int(size)
    _break =False
    while not _break:
        if _break: break
        if f.tell()+size>start+chunk:
            read_size=int(start+chunk- f.tell() )
            _break=True
        b = f.read(read_size)
        iter +=1
        if not b: break
        yield b


def get_chunk_line_count(data):
    fn,  chunk_id, cut = data
    start, chunk =cut
    cnt =0
    last_bl=None

    with open(fn, "r") as f:
        if 0:
            f.seek(start)
            bl = f.read(chunk)
            cnt= bl.count('\n')
        else:
            f.seek(start)
            for i, bl  in enumerate(blocks(f,cut)):
                cnt +=  bl.count('\n')
                last_bl=bl

        if not last_bl.endswith('\n'):
            cnt -=1

        return cnt
....
pool = multiprocessing.Pool(processes=pool_size,
                            initializer=start_process,
                            )
pool_outputs = pool.map(get_chunk_line_count, inputs)
pool.close() # no more tasks
pool.join()

これにより、カウントパフォーマンスが20倍向上します。 script にラップして、Githubに配置しました。

2
olekb