[英]How to remove all lines from a large text file (>60GB) that contains a specific alphabet in python?
[英]How to check for reversed order string tuple and eliminate them from a large text file (>60GB) file in python?
我有以下代碼來查找逆序字符串元組並將它們從文本文件中刪除。 但是大文本文件(> 60GB)花費了無限的時間並且我的系統崩潰了。
with open("OUTPUT.txt.txt", "w") as output:
for fileName in ["Large_INPUT.txt"]:
found_combinations = set()
with open(fileName, 'r') as file1:
for line in file1:
cols = [col.strip() for col in line.strip().split('\t')]
new_combination = frozenset(cols)
if new_combination not in found_combinations:
found_combinations.add(new_combination)
out = ', '.join(cols) + '\n'
output.write(out)
例如,如果輸入是:
352_0F, 352_1F, 0.913
352_1F, 352_0F, 0.913
預期的輸出是:
352_0F, 352_1F, 0.913
有沒有辦法針對大文件優化此代碼?
對於程序崩潰,我懷疑您的設備正在破壞其最大容量。 對於 22 個字符行,一個 65GB 的文件將在集合中生成接近 30 億個條目(假設您沒有很大比例的重復行)。 這根本不適合 32 位系統(因此請確保您在具有大量內存的 64 位系統上運行)
對於性能,您應該檢查進程是否受 CPU 限制或 I/O 限制。 即使不做任何處理,一次讀取一行大文件也可能需要很長時間。 取一個不會導致程序崩潰的文件(或為了測試而減少一個文件),並測量簡單地輸入一個文件並輸出同一個文件(沒有任何過濾)所需的時間。 這將是您可以通過逐行處理獲得的最短時間。 如果這接近過濾所需的時間,那么您就有了 I/O 問題。 確保您使用的是 SSD 存儲將是第一步。 您也可以嘗試這里提出的解決方案(雖然我不確定它是否適用於您的環境): https : //stackoverflow.com/a/60571361/5237560
列表中只有 3 個值,因此有機會使用字典將集合分解為更小的對象。 假設元組反轉只發生在前兩個值之間,您可以按第三個值對集合進行分組。 這將限制設置大小(假設您有多種這些值)
例如:
from collections import defaultdict
...
for line in file1:
seenTuples = defaultdict(set)
code1,code2,value = [col.strip() for col in line.strip().split('\t')]
if code1>code2 : code1,code2 = code2,code1
if (code,code2) in seenTuples[value]: continue # skip this line
seenTuples[value].add((code1,code2))
output.write(line)
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.