处理大文件的最快方法？

Question

我有多个3 GB制表符分隔文件。 每个文件中有2000万行。 所有行必须独立处理，任何两行之间没有关系。 我的问题是，什么会更快A.使用以下方式逐行阅读：

with open() as infile:
    for line in infile:

或者B.以块的形式将文件读入内存并进行处理，一次说250 MB？

处理不是很复杂，我只是将column1中的值抓到List1 ，将column2 List2等。可能需要一起添加一些列值。

我在具有30GB内存的Linux机器上使用python 2.7。 ASCII文本。

有什么方法可以加速并行？ 现在我正在使用前一种方法，而且过程非常缓慢。 使用任何CSVReader模块都可以提供帮助吗？ 我不必在python中使用它，任何其他语言或数据库使用的想法都是受欢迎的。

Answer 1

听起来你的代码是I / O绑定的。 这意味着多处理不会有所帮助 - 如果您花费90％的时间从磁盘读取数据，那么在下次读取时等待额外的7个进程对任何事情都无济于事。

而且，虽然使用CSV读取模块（无论是stdlib的csv还是像NumPy或Pandas这样的东西）可能是一个简单的好主意，但它不太可能在性能上有很大的不同。

不过，值得检查一下你是否真的受 I / O限制，而不仅仅是猜测。 运行程序，查看CPU使用率是接近0％还是接近100％或核心。 做Amadan在评论中提出的建议，并运行你的程序，只需pass处理，看看是否会减少5％的时间或70％。 您甚至可能想尝试与os.open和os.read(1024*1024)的循环进行比较，看看是否更快。

---

由于你使用Python 2.x，Python依靠C stdio库来猜测一次缓冲多少，因此可能值得强制缓冲更多。 最简单的方法是对某些大型bufsize使用readlines(bufsize) 。 （您可以尝试不同的数字并测量它们以查看峰值的位置。根据我的经验，通常64K-8MB的任何东西大致相同，但取决于您的系统可能会有所不同 - 特别是如果您是，例如，阅读关闭网络文件系统，吞吐量很大，但延迟时间很长，淹没了实际物理驱动器的吞吐量与延迟以及操作系统的缓存。）

所以，例如：

bufsize = 65536
with open(path) as infile: 
    while True:
        lines = infile.readlines(bufsize)
        if not lines:
            break
        for line in lines:
            process(line)

---

同时，假设您使用的是64位系统，您可能希望尝试使用mmap而不是首先读取文件。 这当然不能保证更好，但可能会更好，具体取决于您的系统。 例如：

with open(path) as infile:
    m = mmap.mmap(infile, 0, access=mmap.ACCESS_READ)

Python mmap是一种奇怪的对象 - 它同时像一个str ，就像一个file一样，所以你可以，例如，手动迭代扫描换行，或者你可以像readline文件一样调用readline 。 这两个将从Python中进行更多的处理，而不是将文件作为行或批处理readlines线进行迭代（因为在C中的循环现在是纯Python ...虽然也许你可以用re或者简单的Cython扩展来解决这个问题？）...但操作系统的I / O优势知道你正在使用映射做什么可能会淹没CPU的劣势。

不幸的是，Python没有暴露你用来调整东西的madvise调用，试图在C中优化它（例如，显式设置MADV_SEQUENTIAL而不是使内核猜测，或强制透明的大页面） - 但你实际上可以ctypes libc的功能。

Answer 2

我知道这个问题很古老; 但我想做类似的事情，我创建了一个简单的框架，可以帮助您并行读取和处理大文件。 留下我尝试的答案。

这是代码，我最后给出了一个例子

def chunkify_file(fname, size=1024*1024*1000, skiplines=-1):
    """
    function to divide a large text file into chunks each having size ~= size so that the chunks are line aligned

    Params : 
        fname : path to the file to be chunked
        size : size of each chink is ~> this
        skiplines : number of lines in the begining to skip, -1 means don't skip any lines
    Returns : 
        start and end position of chunks in Bytes
    """
    chunks = []
    fileEnd = os.path.getsize(fname)
    with open(fname, "rb") as f:
        if(skiplines > 0):
            for i in range(skiplines):
                f.readline()

        chunkEnd = f.tell()
        count = 0
        while True:
            chunkStart = chunkEnd
            f.seek(f.tell() + size, os.SEEK_SET)
            f.readline()  # make this chunk line aligned
            chunkEnd = f.tell()
            chunks.append((chunkStart, chunkEnd - chunkStart, fname))
            count+=1

            if chunkEnd > fileEnd:
                break
    return chunks

def parallel_apply_line_by_line_chunk(chunk_data):
    """
    function to apply a function to each line in a chunk

    Params :
        chunk_data : the data for this chunk 
    Returns :
        list of the non-None results for this chunk
    """
    chunk_start, chunk_size, file_path, func_apply = chunk_data[:4]
    func_args = chunk_data[4:]

    t1 = time.time()
    chunk_res = []
    with open(file_path, "rb") as f:
        f.seek(chunk_start)
        cont = f.read(chunk_size).decode(encoding='utf-8')
        lines = cont.splitlines()

        for i,line in enumerate(lines):
            ret = func_apply(line, *func_args)
            if(ret != None):
                chunk_res.append(ret)
    return chunk_res

def parallel_apply_line_by_line(input_file_path, chunk_size_factor, num_procs, skiplines, func_apply, func_args, fout=None):
    """
    function to apply a supplied function line by line in parallel

    Params :
        input_file_path : path to input file
        chunk_size_factor : size of 1 chunk in MB
        num_procs : number of parallel processes to spawn, max used is num of available cores - 1
        skiplines : number of top lines to skip while processing
        func_apply : a function which expects a line and outputs None for lines we don't want processed
        func_args : arguments to function func_apply
        fout : do we want to output the processed lines to a file
    Returns :
        list of the non-None results obtained be processing each line
    """
    num_parallel = min(num_procs, psutil.cpu_count()) - 1

    jobs = chunkify_file(input_file_path, 1024 * 1024 * chunk_size_factor, skiplines)

    jobs = [list(x) + [func_apply] + func_args for x in jobs]

    print("Starting the parallel pool for {} jobs ".format(len(jobs)))

    lines_counter = 0

    pool = mp.Pool(num_parallel, maxtasksperchild=1000)  # maxtaskperchild - if not supplied some weird happend and memory blows as the processes keep on lingering

    outputs = []
    for i in range(0, len(jobs), num_parallel):
        print("Chunk start = ", i)
        t1 = time.time()
        chunk_outputs = pool.map(parallel_apply_line_by_line_chunk, jobs[i : i + num_parallel])

        for i, subl in enumerate(chunk_outputs):
            for x in subl:
                if(fout != None):
                    print(x, file=fout)
                else:
                    outputs.append(x)
                lines_counter += 1
        del(chunk_outputs)
        gc.collect()
        print("All Done in time ", time.time() - t1)

    print("Total lines we have = {}".format(lines_counter))

    pool.close()
    pool.terminate()
    return outputs

比方说，我有一个文件，我想在其中计算每行中的单词数，然后每行的处理看起来像

def count_words_line(line):
    return len(line.strip().split())

然后调用函数如：

parallel_apply_line_by_line(input_file_path, 100, 8, 0, count_words_line, [], fout=None)

使用这个，我获得了大约8倍的速度，相比于大小为〜20GB的样本文件中的vanilla逐行读取，其中我在每行上进行了一些中等复杂的处理。