合并预先排序的文件而不将所有内容读入内存

Question

我有一个日志文件列表，其中每个文件中的每一行都有一个时间戳，并且行在每个文件中按升序排列。 不同的文件可以有重叠的时间范围，我的目标是将它们组合成一个大文件，按时间戳排序。 在排序中可能存在联系，在这种情况下，我希望下一行来自我输入列表中首先列出的任何文件。

我已经看过如何使用fileinput执行此操作的fileinput （请参阅此处 ），但这似乎将所有文件读入内存。 由于我的文件很大，这将是一个问题。 因为我的文件是预先排序的，所以似乎应该有一种方法来合并它们，使用的方法只需要考虑每个文件中最新的未探索行。

Answer 1

如果标准库中有heapq.merge() ，为什么要自己滚动？ 不幸的是，它没有提供一个关键的论点 - 你必须做装饰 - 合并 - 不自然的舞蹈你自己：

from itertools import imap
from operator import itemgetter
import heapq

def extract_timestamp(line):
    """Extract timestamp and convert to a form that gives the
    expected result in a comparison
    """
    return line.split()[1] # for example

with open("log1.txt") as f1, open("log2.txt") as f2:
    sources = [f1, f2]
    with open("merged.txt", "w") as dest:
        decorated = [
            ((extract_timestamp(line), line) for line in f)
            for f in sources]
        merged = heapq.merge(*decorated)
        undecorated = imap(itemgetter(-1), merged)
        dest.writelines(undecorated)

上面的每一步都是“懒惰”。 当我避免使用file.readlines() ，会根据需要读取文件中的行。 同样，装饰过程使用生成器表达式而不是list-comps。 heapq.merge()很懒惰 - 每个输入迭代器需要一个项目来进行必要的比较。 最后我使用的是itertools.imap() ，它是内置的undecorate的map（）的惰性变体。

（在Python 3中map（）变得很懒，所以你可以使用那个）

Answer 2

您想要实现基于文件的合并排序 。 从两个文件中读取一行，输出旧行，然后从该文件中读取另一行。 一旦其中一个文件耗尽，输出另一个文件中的所有剩余行。