Python使用utf-8编码逐行读取大文件

Question

我想读一些非常大的文件（确切地说：谷歌ngram 1字数据集）并计算一个字符出现的次数。 现在我写了这个脚本：

import fileinput
files = ['../../datasets/googlebooks-eng-all-1gram-20090715-%i.csv' % value for value in range(0,9)]
charcounts = {}
lastfile = ''
for line in fileinput.input(files):
    line = line.strip()
    data = line.split('\t')
    for character in list(data[0]):
        if (not character in charcounts):
            charcounts[character] = 0
        charcounts[character] += int(data[1])
    if (fileinput.filename() is not lastfile):
        print(fileinput.filename())
        lastfile = fileinput.filename()
    if(fileinput.filelineno() % 100000 == 0):
        print(fileinput.filelineno())
print(charcounts)

哪个工作正常，直到达到约。 第一个文件的700.000行，然后我得到这个错误：

../../datasets/googlebooks-eng-all-1gram-20090715-0.csv
100000
200000
300000
400000
500000
600000
700000
Traceback (most recent call last):
  File "charactercounter.py", line 5, in <module>
    for line in fileinput.input(files):
  File "C:\Python31\lib\fileinput.py", line 254, in __next__
    line = self.readline()
  File "C:\Python31\lib\fileinput.py", line 349, in readline
    self._buffer = self._file.readlines(self._bufsize)
  File "C:\Python31\lib\encodings\cp1252.py", line 23, in decode
    return codecs.charmap_decode(input,self.errors,decoding_table)[0]
UnicodeDecodeError: 'charmap' codec can't decode byte 0x8d in position 7771: cha
racter maps to <undefined>

为了解决这个问题，我在网上搜索了一下，并想出了这段代码：

import fileinput
files = ['../../datasets/googlebooks-eng-all-1gram-20090715-%i.csv' % value for value in range(0,9)]
charcounts = {}
lastfile = ''
for line in fileinput.input(files,False,'',0,'r',fileinput.hook_encoded('utf-8')):
    line = line.strip()
    data = line.split('\t')
    for character in list(data[0]):
        if (not character in charcounts):
            charcounts[character] = 0
        charcounts[character] += int(data[1])
    if (fileinput.filename() is not lastfile):
        print(fileinput.filename())
        lastfile = fileinput.filename()
    if(fileinput.filelineno() % 100000 == 0):
        print(fileinput.filelineno())
print(charcounts)

但是我现在使用的钩子试图将整个990MB的文件一次性读入内存，这会让我的电脑崩溃。 有谁知道如何重写这段代码，以便它真正起作用？

ps：代码还没有一直运行，所以我甚至不知道它是否做了它必须做的事情，但为了实现这一点，我首先需要修复这个bug。

哦，我使用的是Python 3.2

Answer 1

我不知道为什么fileinput没有按预期工作。

我建议你改用open函数。 返回值可以迭代并返回行，就像fileinput一样。

代码将是这样的：

for filename in files:
    print(filename)
    for filelineno, line in enumerate(open(filename, encoding="utf-8")):
        line = line.strip()
        data = line.split('\t')
        # ...

一些文档链接： enumerate ， open ， io.TextIOWrapper （open返回TextIOWrapper的一个实例）。

Answer 2

问题是fileinput不使用file.xreadlines()读取的file.xreadlines() ，而是使用file.readline(bufsize) ，它一次读取bufsize字节（并将其转换为行列表）。 您为fileinput.input()的bufsize参数提供0 （这也是默认值）。 Bufsize 0表示整个文件是缓冲的。

解决方案：提供合理的bufsize。

Answer 3

这适用于我：你可以在钩子定义中使用“utf-8”。 我在50GB / 200M线文件上使用它没有问题。

fi = fileinput.FileInput(openhook=fileinput.hook_encoded("iso-8859-1"))

Answer 4

你能不能尝试读取整个文件，但是它的一部分是二进制文件，然后是decode（），然后是proccess，然后再次调用该函数来读取另一部分？

Answer 5

如果我拥有的是最新版本（我不记得我是如何阅读的），我不会，但......

$ file -i googlebooks-eng-1M-1gram-20090715-0.csv 
googlebooks-eng-1M-1gram-20090715-0.csv: text/plain; charset=us-ascii

您是否尝试过fileinput.hook_encoded('ascii')或fileinput.hook_encoded('latin_1') ？ 不知道为什么这会产生影响，因为我认为这些只是具有相同映射的unicode子集，但值得一试。

编辑我认为这可能是fileinput中的一个错误，这些都不是。

Answer 6

如果您担心内存使用情况，为什么不使用readline（）逐行阅读？ 这将消除您遇到的内存问题。 目前，您在对fileObj执行任何操作之前正在读取完整文件，而readline（）则不是保存数据，而是仅按行进行搜索。

def charCount1(_file, _char):
  result = []
  file   = open(_file, encoding="utf-8")
  data   = file.read()
  file.close()
  for index, line in enumerate(data.split("\n")):
    if _char in line:
      result.append(index)
  return result

def charCount2(_file, _char):
  result = []
  count  = 0
  file   = open(_file, encoding="utf-8")
  while 1:
    line = file.readline()
    if _char in line:
      result.append(count)
    count += 1
    if not line: break
  file.close()
  return result

我没有机会真正查看您的代码，但上述示例应该让您了解如何对您的结构进行适当的更改。 charCount1（）演示了一个方法，它在read（）的单个调用中缓存整个文件。 我在+ 400MB文本文件上测试了你的方法，python.exe进程高达+ 900MB。 当你运行charCount2（）时 ，python.exe进程不应超过几MB（假设你没有用其他代码扩大它的大小）;）