在python中合并排序

Question

基本上，我有一堆包含域的文件。 我已经使用.sort（key = func_that_returns_tld）根据其TLD对每个文件进行了排序

现在，我已经完成了合并所有文件并最终得到一个大型排序文件的任务。 我认为我需要这样的东西：

open all files
read one line from each file into a list
sort list with .sort(key=func_that_returns_tld)
output that list to file
loop by reading next line

我在考虑这个权利吗？ 任何有关如何做到这一点的建议将不胜感激。

Answer 1

如果文件不是很大，则只需将它们全部读入内存即可（如S. Lott所建议）。 那绝对是最简单的。

但是，您提到排序规则创建了一个“大量”文件。 如果太大而无法容纳在内存中，则可以使用heapq.merge 。 设置起来可能会有些困难，但是它的优点是不需要将所有可迭代对象立即拉入内存。

import heapq
import contextlib

class Domain(object):
    def __init__(self,domain):
        self.domain=domain
    @property
    def tld(self):
        # Put your function for calculating TLD here
        return self.domain.split('.',1)[0]
    def __lt__(self,other):
        return self.tld<=other.tld
    def __str__(self):
        return self.domain

class DomFile(file):
    def next(self):
        return Domain(file.next(self).strip())

filenames=('data1.txt','data2.txt')
with contextlib.nested(*(DomFile(filename,'r') for filename in filenames)) as fhs:
    for elt in heapq.merge(*fhs):
        print(elt)

使用data1.txt：

google.com
stackoverflow.com
yahoo.com

和data2.txt：

standards.freedesktop.org
www.imagemagick.org

产量：

google.com
stackoverflow.com
standards.freedesktop.org
www.imagemagick.org
yahoo.com

Answer 2

除非您的文件很大，否则它将适合内存。

您的伪代码很难阅读。 请正确缩进您的伪代码。 最后的“通过阅读下一行来循环”是没有意义的。

基本上就是这个。

all_data= []
for f in list_of_files:
    with open(f,'r') as source:
        all_data.extend( source.readlines() )
all_data.sort(... whatever your keys are... )

你完成了。 您可以将all_data写入文件，或对其进行进一步处理，或对其进行任何处理。

Answer 3

另一个选择（同样，仅当您的所有数据都无法容纳到内存中时）是创建一个SQLite3数据库并在那里进行排序，然后将其写入文件。