如何使用Python读取大文件

背景

最近处理文本文档时（文件约2GB大小），出现 memoryError 错误和文件读取太慢的问题，后来找到了两种比较快 Large File Reading 的方法，本文将介绍这两种 读取方法 。

原味地址

准备工作

我们谈到“文本处理”时，我们通常是指处理的内容。Python 将文本文件的内容读入可以操作的字符串变量非常容易。文件对象提供了三个“读”方法： .read() 、 .readline() 和 .readlines() 。每种方法可以接受一个变量以限制每次读取的数据量，但它们通常不使用变量。 .read() 每次读取整个文件，它通常用于将文件内容放到一个字符串变量中。然而 .read() 生成文件内容最直接的字符串表示，但对于连续的面向行的处理，它却是不必要的，并且如果文件大于可用内存，则不可能实现这种处理。下面是 read() 方法示例：

try:
f = open('/path/to/file', 'r')
print f.read()
finally:
if f:
f.close()

调用 read() 会一次性读取文件的全部内容，如果文件有10G，内存就爆了，所以，要保险起见，可以反复调用 read(size) 方法，每次最多读取size个字节的内容。另外，调用 readline() 可以每次读取一行内容，调用 readlines() 一次读取所有内容并按行返回list。因此，要根据需要决定怎么调用。 　　如果文件很小， read() 一次性读取最方便；如果不能确定文件大小，反复调用 read(size) 比较保险；如果是配置文件，调用 readlines() 最方便：

for line in f.readlines():
process(line) #

分块读取

处理大文件是很容易想到的就是将大文件分割成若干小文件处理，处理完每个小文件后释放该部分内存。这里用了 iter 和 yield ：

def read_in_chunks(filePath, chunk_size=1024*1024):
Lazy function (generator) to read a file piece by piece.
Default chunk size: 1M
You can set your own chunk size
file_object = open(filePath)
while True:
chunk_data = file_object.read(chunk_size)
if not chunk_data:
break
yield chunk_data
if __name__ == "__main__":
filePath = './path/filename'
for chunk in read_in_chunks(filePath):
process(chunk) # <do something with chunk>

使用With open()

with 语句打开和关闭文件，包括抛出一个内部块异常。 for line in f 文件对象 f 视为一个迭代器，会自动的采用缓冲 IO 和内存管理，所以你不必担心大文件。

代码如下：

#If the file is line based
with open(...) as f:
　　for line in f: