Python：如何将巨大的文本文件读入内存

Question

我在带有1GB RAM的Mac Mini上使用Python 2.6。 我想读一个巨大的文本文件

$ ls -l links.csv; file links.csv; tail links.csv 
-rw-r--r--  1 user  user  469904280 30 Nov 22:42 links.csv
links.csv: ASCII text, with CRLF line terminators
4757187,59883
4757187,99822
4757187,66546
4757187,638452
4757187,4627959
4757187,312826
4757187,6143
4757187,6141
4757187,3081726
4757187,58197

因此文件中的每一行都包含两个以逗号分隔的整数值的元组。 我想读取整个文件并根据第二列对其进行排序。 我知道，我可以在不将整个文件读入内存的情况下进行排序。 但我认为对于一个500MB的文件，我仍然可以在内存中进行，因为我有1GB可用。

但是当我尝试读取文件时，Python似乎分配的内存比磁盘上的文件所需的内存多得多。 所以即使使用1GB的RAM，我也无法将500MB的文件读入内存。 我用于读取文件和打印有关内存消耗的信息的Python代码是：

#!/usr/bin/python
# -*- coding: utf-8 -*-

import sys

infile=open("links.csv", "r")

edges=[]
count=0
#count the total number of lines in the file
for line in infile:
 count=count+1

total=count
print "Total number of lines: ",total

infile.seek(0)
count=0
for line in infile:
 edge=tuple(map(int,line.strip().split(",")))
 edges.append(edge)
 count=count+1
 # for every million lines print memory consumption
 if count%1000000==0:
  print "Position: ", edge
  print "Read ",float(count)/float(total)*100,"%."
  mem=sys.getsizeof(edges)
  for edge in edges:
   mem=mem+sys.getsizeof(edge)
   for node in edge:
    mem=mem+sys.getsizeof(node) 

  print "Memory (Bytes): ", mem 

我得到的输出是：

Total number of lines:  30609720
Position:  (9745, 2994)
Read  3.26693612356 %.
Memory (Bytes):  64348736
Position:  (38857, 103574)
Read  6.53387224712 %.
Memory (Bytes):  128816320
Position:  (83609, 63498)
Read  9.80080837067 %.
Memory (Bytes):  192553000
Position:  (139692, 1078610)
Read  13.0677444942 %.
Memory (Bytes):  257873392
Position:  (205067, 153705)
Read  16.3346806178 %.
Memory (Bytes):  320107588
Position:  (283371, 253064)
Read  19.6016167413 %.
Memory (Bytes):  385448716
Position:  (354601, 377328)
Read  22.8685528649 %.
Memory (Bytes):  448629828
Position:  (441109, 3024112)
Read  26.1354889885 %.
Memory (Bytes):  512208580

在阅读了500MB文件的25％之后，Python消耗了500MB。 因此，似乎将文件的内容存储为整数元组的列表并不是非常有效的内存。 有没有更好的方法来做到这一点，以便我可以将我的500MB文件读入我的1GB内存？

Answer 1

有一个用于在此页面上对大于RAM的文件进行排序的方法，但您必须根据涉及CSV格式数据的情况对其进行调整。 那里还有其他资源的链接。

编辑：是的，磁盘上的文件不是“大于RAM”，但内存中的表示很容易变得比可用的RAM大得多。 首先，你自己的程序没有获得整个1GB（操作系统开销等）。 另一方面，即使你以最紧凑的形式存储纯Python（两个整数列表，假设32位机器等），你也会使用934MB来处理那些30M对的整数。

使用numpy你也可以完成这项工作，只使用大约250MB。 以这种方式加载并不是特别快，因为你必须计算行并预先分配数组，但它可能是最快的实际排序，因为它在内存中：

import time
import numpy as np
import csv

start = time.time()
def elapsed():
    return time.time() - start

# count data rows, to preallocate array
f = open('links.csv', 'rb')
def count(f):
    while 1:
        block = f.read(65536)
        if not block:
             break
        yield block.count(',')

linecount = sum(count(f))
print '\n%.3fs: file has %s rows' % (elapsed(), linecount)

# pre-allocate array and load data into array
m = np.zeros(linecount, dtype=[('a', np.uint32), ('b', np.uint32)])
f.seek(0)
f = csv.reader(open('links.csv', 'rb'))
for i, row in enumerate(f):
    m[i] = int(row[0]), int(row[1])

print '%.3fs: loaded' % elapsed()
# sort in-place
m.sort(order='b')

print '%.3fs: sorted' % elapsed()

使用类似于您显示的示例文件在我的机器上输出：

6.139s: file has 33253213 lines
238.130s: read into memory
517.669s: sorted

numpy中的默认值是Quicksort 。 ndarray.sort（）例程（就地排序）也可以采用关键字参数kind="mergesort"或kind="heapsort"但看起来它们都不能对记录数组进行排序，顺便说一句，我使用过作为唯一的方法，我可以看到将列排序在一起而不是默认情况下将它们独立排序（完全弄乱你的数据）。

Answer 2

所有python对象在它们实际存储的数据之上都有内存开销。 根据我的32位Ubuntu系统上的getsizeof，元组的开销为32字节，int占用12个字节，因此文件中的每一行占用56个字节+列表中的4个字节指针 - 我认为它会很多更多的64位系统。 这与您给出的数字一致，意味着您的3000万行将占用1.8 GB。

我建议您使用unix排序实用程序而不是使用python。 我不是Mac-head但我认为OS X排序选项与linux版本相同，所以这应该有效：

sort -n -t, -k2 links.csv

-n表示按数字排序

-t，表示使用逗号作为字段分隔符

-k2表示对第二个字段进行排序

这将对文件进行排序并将结果写入stdout。 您可以将其重定向到另一个文件或将其传递给您的python程序以进行进一步处理。

编辑：如果您不想在运行python脚本之前对文件进行排序，则可以使用子进程模块创建到shell排序实用程序的管道，然后从管道输出中读取排序结果。

Answer 3

由于这些都只是数字，因此将它们加载到Nx2数组中会消除一些开销。 将NumPy用于多维数组。 或者，您可以使用两个普通的python 数组来表示每列。

Answer 4

将输入行存储在内存中的最便宜方式是array.array（'i'）元素 - 假设每个数字都适合带符号的32位整数。 内存开销为8N字节，其中N是行数。

以下是按排序顺序排序和编写输出文件的方法：

from array import array
import csv
a = array('i')
b = array('i')
for anum, bnum in csv.reader(open('input.csv', 'rb')):
    a.append(int(anum))
    b.append(int(bnum))
wtr = csv.writer(open('output.csv', 'wb'))
for i in sorted(xrange(len(a)), key=lambda x: b[x]):
    wtr.writerow([a[i], b[i]])

不幸的是sorted()返回一个列表而不是一个迭代器，这个列表会相当大：指针为4N字节，int对象为12N字节，即sorted()输出为16N字节。 注意：这是基于32位机器上的CPython 2.X; 每台3.X和64位机器都会变得更糟。 全部是24N字节。 你有3100万行，所以你需要31 * 24 = 744 MB ...看起来它应该工作; 请注意，此计算不允许排序分配的任何内存，但您有合理的安全边际。

旁白：以工资率表示的额外GB或3内存的成本是多少？

Answer 5

你可能想看看mmap：

http://docs.python.org/library/mmap.html

它会让你像处理一个大数组/字符串一样处理文件，并让操作系统处理进出内存的数据，以使其适合。

因此，您可以在csv文件中一次读取一行，然后将结果写入mmap'd文件（以合适的二进制格式），然后处理mmap文件。 由于mmap的文件只是临时的，你当然可以为此目的创建一个tmp文件。

这里有一些代码使用带有临时文件的mmap进行演示，以读取csv数据并将其存储为整数对：

import sys
import mmap
import array
from tempfile import TemporaryFile

def write_int(buffer, i):
    # convert i to 4 bytes and write into buffer
    buffer.write(array.array('i', [i]).tostring())

def read_int(buffer, pos):
    # get the 4 bytes at pos and convert to integer
    offset = 4*pos
    return array.array('i', buffer[offset:offset+4])[0]

def get_edge(edges, lineno):
    pos = lineno*2
    i, j = read_int(edges, pos), read_int(edges, pos+1)
    return i, j

infile=open("links.csv", "r")

count=0
#count the total number of lines in the file
for line in infile:
    count=count+1

total=count
print "Total number of lines: ",total

infile.seek(0)

# make mmap'd file that's long enough to contain all data
# assuming two integers (4 bytes) per line
tmp = TemporaryFile()
file_len = 2*4*count
# increase tmp file size
tmp.seek(file_len-1)
tmp.write(' ')
tmp.seek(0)
edges = mmap.mmap(tmp.fileno(), file_len)

for line in infile:
    i, j=tuple(map(int,line.strip().split(",")))
    write_int(edges, i)
    write_int(edges, j)

# now confirm we can read the ints back out ok
for i in xrange(count):
    print get_edge(edges, i)

虽然这有点粗糙。 实际上你可能想要用一个很好的类来包装所有这些，这样你的边缘就可以以一种使它们像列表一样的方式访问（带索引，len等）。 希望它能给你一个起点。

Answer 6

我使用外部合并排序为此用例创建了一个模块： https ： //bitbucket.org/richardpenman/csvsort

>>> from csvsort import csvsort
>>> csvsort('links.csv', columns=[1], has_header=False)