用Python加载大文件

Question

我使用的是在Ubuntu9.04上运行的Python2.6.2[GCC4.3.3]。我需要使用Python脚本逐行读取一个大数据文件（~1GB，>；300万行）。

我尝试了下面的方法，发现它占用了很大的内存空间（~3GB）

for line in open('datafile','r').readlines():
   process(line)

或者

for line in file(datafile):
   process(line)

有没有更好的方法逐行加载一个大文件

• a） 通过在内存中显式地提到文件在任何时候可以加载的最大行数？或者
• b） 如果所述块的最后一行完全加载而不被截断，则通过大小为1024字节的块加载它？

一些建议给出了我上面提到的方法，我已经尝试过了，我想看看是否有更好的方法来处理这个问题。到目前为止，我的研究还没有取得成果。谢谢你的帮助。

p/s我使用Heapy进行了一些内存分析，在我使用的Python代码中没有发现内存泄漏。

更新时间：2012年8月20日，16:41（GMT+1）

尝试了J.F.Sebastian、mgilson和iamcuckb建议的两种方法（datafile是一个变量）

with open(datafile) as f:
    for line in f:
        process(line)

还有

import fileinput
for line in fileinput.input([datafile]):
    process(line)

奇怪的是，它们都使用~3GB的内存，在这个测试中，我的数据文件大小是765.2MB，由21181079行组成。我看到内存在稳定在3GB之前，会随着时间的推移而增加（大约40-80MB步进）。

基本的怀疑， 使用后是否需要冲洗管路？

我用Heapy进行了内存分析，以便更好地理解这一点。

第1级分析

Partition of a set of 36043 objects. Total size = 5307704 bytes.
 Index  Count   %     Size   % Cumulative  % Kind (class / dict of class)
     0  15934  44  1301016  25   1301016  25 str
     1     50   0   628400  12   1929416  36 dict of __main__.NodeStatistics
     2   7584  21   620936  12   2550352  48 tuple
     3    781   2   590776  11   3141128  59 dict (no owner)
     4     90   0   278640   5   3419768  64 dict of module
     5   2132   6   255840   5   3675608  69 types.CodeType
     6   2059   6   247080   5   3922688  74 function
     7   1716   5   245408   5   4168096  79 list
     8    244   1   218512   4   4386608  83 type
     9    224   1   213632   4   4600240  87 dict of type
<104 more rows. Type e.g. '_.more' to view.>

一、二、二、三、三、四、四、四、四、四、四、四、六

1级索引0的2级配置文件

Partition of a set of 15934 objects. Total size = 1301016 bytes.
 Index  Count   %     Size   % Cumulative  % Referred Via:
     0   2132  13   274232  21    274232  21 '.co_code'
     1   2132  13   189832  15    464064  36 '.co_filename'
     2   2024  13   114120   9    578184  44 '.co_lnotab'
     3    247   2   110672   9    688856  53 "['__doc__']"
     4    347   2    92456   7    781312  60 '.func_doc', '[0]'
     5    448   3    27152   2    808464  62 '[1]'
     6    260   2    15040   1    823504  63 '[2]'
     7    201   1    11696   1    835200  64 '[3]'
     8    188   1    11080   1    846280  65 '[0]'
     9    157   1     8904   1    855184  66 '[4]'
<4717 more rows. Type e.g. '_.more' to view.>

1级索引1的2级配置文件

Partition of a set of 50 objects. Total size = 628400 bytes.
 Index  Count   %     Size   % Cumulative  % Referred Via:
     0     50 100   628400 100    628400 100 '.__dict__'

1级索引2的2级配置文件

Partition of a set of 7584 objects. Total size = 620936 bytes.
 Index  Count   %     Size   % Cumulative  % Referred Via:
     0   1995  26   188160  30    188160  30 '.co_names'
     1   2096  28   171072  28    359232  58 '.co_varnames'
     2   2078  27   157608  25    516840  83 '.co_consts'
     3    261   3    21616   3    538456  87 '.__mro__'
     4    331   4    21488   3    559944  90 '.__bases__'
     5    296   4    20216   3    580160  93 '.func_defaults'
     6     55   1     3952   1    584112  94 '.co_freevars'
     7     47   1     3456   1    587568  95 '.co_cellvars'
     8     35   0     2560   0    590128  95 '[0]'
     9     27   0     1952   0    592080  95 '.keys()[0]'
<189 more rows. Type e.g. '_.more' to view.>

1级索引3的2级配置文件

Partition of a set of 781 objects. Total size = 590776 bytes.
 Index  Count   %     Size   % Cumulative  % Referred Via:
     0      1   0    98584  17     98584  17 "['locale_alias']"
     1     29   4    35768   6    134352  23 '[180]'
     2     28   4    34720   6    169072  29 '[90]'
     3     30   4    34512   6    203584  34 '[270]'
     4     27   3    33672   6    237256  40 '[0]'
     5     25   3    26968   5    264224  45 "['data']"
     6      1   0    24856   4    289080  49 "['windows_locale']"
     7     64   8    20224   3    309304  52 "['inters']"
     8     64   8    17920   3    327224  55 "['galog']"
     9     64   8    17920   3    345144  58 "['salog']"
<84 more rows. Type e.g. '_.more' to view.>

一、二、二、三、三、四、四、四、四、四、四、四、六

2级索引0、1级索引0的3级配置文件

Partition of a set of 2132 objects. Total size = 274232 bytes.
 Index  Count   %     Size   % Cumulative  % Referred Via:
     0   2132 100   274232 100    274232 100 '.co_code'

2级索引0、1级索引1的3级配置文件

Partition of a set of 50 objects. Total size = 628400 bytes.
 Index  Count   %     Size   % Cumulative  % Referred Via:
     0     50 100   628400 100    628400 100 '.__dict__'

2级索引0、1级索引2的3级配置文件

Partition of a set of 1995 objects. Total size = 188160 bytes.
 Index  Count   %     Size   % Cumulative  % Referred Via:
     0   1995 100   188160 100    188160 100 '.co_names'

2级索引0、1级索引3的3级配置文件

Partition of a set of 1 object. Total size = 98584 bytes.
 Index  Count   %     Size   % Cumulative  % Referred Via:
     0      1 100    98584 100     98584 100 "['locale_alias']"

仍然对此进行故障排除。

如果你以前遇到过这种事，一定要和我分享。

谢谢你的帮助。

更新时间：2012年8月21日01:55（GMT+1）

1. mgilson，进程函数用于后置处理网络模拟器2（NS2）跟踪文件。tracefile中的一些行共享如下。我在python脚本中使用了许多对象、计数器、元组和字典来学习无线网络的性能。

s 1.231932886 _25_ AGT  --- 0 exp 10 [0 0 0 0 Y Y] ------- [25:0 0:0 32 0 0] 
s 1.232087886 _25_ MAC  --- 0 ARP 86 [0 ffffffff 67 806 Y Y] ------- [REQUEST 103/25 0/0]
r 1.232776108 _42_ MAC  --- 0 ARP 28 [0 ffffffff 67 806 Y Y] ------- [REQUEST 103/25 0/0]
r 1.232776625 _34_ MAC  --- 0 ARP 28 [0 ffffffff 67 806 Y Y] ------- [REQUEST 103/25 0/0]
r 1.232776633 _9_ MAC  --- 0 ARP 28 [0 ffffffff 67 806 Y Y] ------- [REQUEST 103/25 0/0]
r 1.232776658 _0_ MAC  --- 0 ARP 28 [0 ffffffff 67 806 Y Y] ------- [REQUEST 103/25 0/0]
r 1.232856942 _35_ MAC  --- 0 ARP 28 [0 ffffffff 64 806 Y Y] ------- [REQUEST 100/25 0/0]
s 1.232871658 _0_ MAC  --- 0 ARP 86 [13a 67 1 806 Y Y] ------- [REPLY 1/0 103/25]
r 1.233096712 _29_ MAC  --- 0 ARP 28 [0 ffffffff 66 806 Y Y] ------- [REQUEST 102/25 0/0]
r 1.233097047 _4_ MAC  --- 0 ARP 28 [0 ffffffff 66 806 Y Y] ------- [REQUEST 102/25 0/0]
r 1.233097050 _26_ MAC  --- 0 ARP 28 [0 ffffffff 66 806 Y Y] ------- [REQUEST 102/25 0/0]
r 1.233097051 _1_ MAC  --- 0 ARP 28 [0 ffffffff 66 806 Y Y] ------- [REQUEST 102/25 0/0]
r 1.233109522 _25_ MAC  --- 0 ARP 28 [13a 67 1 806 Y Y] ------- [REPLY 1/0 103/25]
s 1.233119522 _25_ MAC  --- 0 ACK 38 [0 1 67 0 Y Y] 
r 1.233236204 _17_ MAC  --- 0 ARP 28 [0 ffffffff 65 806 Y Y] ------- [REQUEST 101/25 0/0]
r 1.233236463 _20_ MAC  --- 0 ARP 28 [0 ffffffff 65 806 Y Y] ------- [REQUEST 101/25 0/0]
D 1.233236694 _18_ MAC  COL 0 ARP 86 [0 ffffffff 65 806 67 1] ------- [REQUEST 101/25 0/0]

1. 使用Heapy进行三级分析的目的是帮助我缩小哪些对象正在占用大量内存。正如你所看到的，不幸的是，我看不出哪一个特别需要调整，因为它太通用了。示例我知道“dict ofmain.NodeStatistics”在36043个对象中只有50个对象（0.1%），但它占用了运行脚本所用的总内存的12%，我无法找到需要查找的特定字典。

2. 我尝试执行David Eyk的建议，如下所示（代码片段），尝试在每500000行中手动收集垃圾，

import gc
  for i,line in enumerate(file(datafile)):
    if (i%500000==0):
      print '-----------This is line number', i
      collected = gc.collect()
      print "Garbage collector: collected %d objects." % (collected)

不幸的是，内存使用仍然是3GB，输出（片段）如下所示

-----------This is line number 0
Garbage collector: collected 0 objects.
-----------This is line number 500000
Garbage collector: collected 0 objects.

1. 实现了martineau的建议，我看到内存使用量从早期的3GB增加到现在的22MB！一些我期待已久的事情。奇怪的是下面

我做了和以前一样的记忆分析

第1级分析

Partition of a set of 35474 objects. Total size = 5273376 bytes.
 Index  Count   %     Size   % Cumulative  % Kind (class / dict of class)
     0  15889  45  1283640  24   1283640  24 str
     1     50   0   628400  12   1912040  36 dict of __main__.NodeStatistics
     2   7559  21   617496  12   2529536  48 tuple
     3    781   2   589240  11   3118776  59 dict (no owner)
     4     90   0   278640   5   3397416  64 dict of module
     5   2132   6   255840   5   3653256  69 types.CodeType
     6   2059   6   247080   5   3900336  74 function
     7   1716   5   245408   5   4145744  79 list
     8    244   1   218512   4   4364256  83 type
     9    224   1   213632   4   4577888  87 dict of type
<104 more rows. Type e.g. '_.more' to view.>

与前面的内存分析输出相比，str减少了45个对象（17376字节），tuple减少了25个对象（3440字节）和dict（没有所有者），虽然没有对象更改，但减少了1536字节的内存大小。所有其他对象都相同，包括main的dict。NodeStatistics。对象总数为35474个。对象的少量减少（0.2%）产生了99.3%的内存节省（从3GB减少22MB）。很奇怪。

如果你意识到，虽然我知道发生记忆饥饿的地方，但我仍然能够缩小导致出血的范围。

将继续调查此事。

感谢所有的指针，利用这个机会学习python，因为我不是专家。感谢你花时间帮助我。

更新2012年8月23日00:01（GMT+1）--已解决

1. 根据martineau的建议，我继续使用极简代码进行调试。我开始在进程函数中添加代码并观察内存出血。

2. 当我添加一个类时，我发现内存开始出血，如下所示，

class PacketStatistics(object):
    def __init__(self):
        self.event_id = 0
        self.event_source = 0
        self.event_dest = 0
        ...

我用了3个类136个计数器。

1. 与我的朋友Gustavo Carneiro讨论了这个问题，他建议使用槽来代替dict。

2. 我把这门课改成如下，

class PacketStatistics(object):
    __slots__ = ('event_id', 'event_source', 'event_dest',...)
    def __init__(self):
        self.event_id = 0
        self.event_source = 0
        self.event_dest = 0
        ...

1. 当我把这三个类都转换后，以前3GB的内存使用量变成了504MB。节省了高达80%的内存使用！！

2. 下面是dict to插槽转换后的内存配置文件。

Partition of a set of 36157 objects. Total size = 4758960 bytes.
 Index  Count   %     Size   % Cumulative  % Kind (class / dict of class)
     0  15966  44  1304424  27   1304424  27 str
     1   7592  21   624776  13   1929200  41 tuple
     2    780   2   587424  12   2516624  53 dict (no owner)
     3     90   0   278640   6   2795264  59 dict of module
     4   2132   6   255840   5   3051104  64 types.CodeType
     5   2059   6   247080   5   3298184  69 function
     6   1715   5   245336   5   3543520  74 list
     7    225   1   232344   5   3775864  79 dict of type
     8    244   1   223952   5   3999816  84 type
     9    166   0   190096   4   4189912  88 dict of class
<101 more rows. Type e.g. '_.more' to view.>

dict of __main__.NodeStatistics已经不在前10名了。

我对结果很满意，也很高兴能解决这个问题。

谢谢你的指导。真的很感激。

RGD系统 萨拉瓦南K

Answer 1

@mgilson的回答是正确的。不过，这个简单的解决方案值得官方提及（@HerrKaputt在评论中提到了这一点）

file = open('datafile')
for line in file:
    process(line)
file.close()

这是简单的，Python式的，可以理解的。如果你不明白with是如何工作的，就用这个。

如另一张海报所述，这不会创建像file.readlines（）这样的大列表。相反，它以unix文件/管道的传统方式一次完成一行。

Answer 2

fileinput模块允许您逐行读取它，而无需将整个文件加载到内存中。pydocs

import fileinput
for line in fileinput.input(['myfile']):
do_something(line)

取自yak.net的代码示例

Answer 3

with open('datafile') as f:
    for line in f:
        process(line)

这是因为文件是迭代器，一次只能产生一行，直到没有更多的行可以产生为止。