使用 python 生成器处理大型文本文件

Question

我是使用生成器的新手，并且已经阅读了一些内容，但需要一些帮助来处理大块文本文件。我知道已经涵盖了这个主题，但是示例代码的解释非常有限，如果人们不理解发生了什么，就很难修改代码。

我的问题很简单，我有一系列包含人类基因组测序数据的大型文本文件，格式如下：

chr22   1   0
chr22   2   0
chr22   3   1
chr22   4   1
chr22   5   1
chr22   6   2

文件长度在 1Gb 到 ~20Gb 之间，太大而无法读入 RAM。因此，我想一次读取 10000 行的块/箱中的行，以便我可以对这些箱大小的最后一列进行计算。

基于此链接here 我写了以下内容：

def read_large_file(file_object):
    """A generator function to read a large file lazily."""

    bin_size=5000
    start=0
    end=start+bin_size

    # Read a block from the file: data
    while True:
        data = file_object.readlines(end) 
        if not data:
            break
        start=start+bin_size
        end=end+bin_size
        yield data


def process_file(path):

    try:
        # Open a connection to the file
        with open(path) as file_handler:
            # Create a generator object for the file: gen_file
            for block in read_large_file(file_handler):
                print(block)
                # process block

    except (IOError, OSError):
        print("Error opening / processing file")    
    return    

if __name__ == '__main__':
            path='C:/path_to/input.txt'
    process_file(path)

在“process_block”中，我希望返回的“block”对象是一个 10000 个元素长的列表，但不是吗？第一个列表是 843 个元素。第二个是2394个元素？

我想取回一个块中的“N”行，但对这里发生的事情感到非常困惑？

这个解决方案here 似乎可以提供帮助，但我还是不明白如何修改它以一次读取 N 行？

这个here 看起来也是一个非常棒的解决方案，但同样，没有足够的背景解释让我理解到足以修改代码。

任何帮助将不胜感激？

Answer 1

不要在文件中使用偏移量，而是尝试从循环中构建并生成 10000 个元素的列表：

def read_large_file(file_handler, block_size=10000):
    block = []
    for line in file_handler:
        block.append(line)
        if len(block) == block_size:
            yield block
            block = []

    # don't forget to yield the last block
    if block:
        yield block

with open(path) as file_handler:
    for block in read_large_file(file_handler):
        print(block)

Answer 2

如果它可以帮助其他有类似问题的人，这里是基于here的解决方案

import pandas as pd

def process_file(path,binSize):

    for chunk in pd.read_csv(path, sep='\t', chunksize=binSize):
        print(chunk)
        print(chunk.ix[:,2]) # get 3rd col
        # Do something with chunk....  

if __name__ == '__main__':
    path='path_to/infile.txt'
    binSize=5000
    process_file(path,binSize)

Answer 3

不是一个正确的答案，但找出这种行为的原因大约需要 27 秒：

(blook)bruno@bigb:~/Work/blookup/src/project$ python
Python 2.7.6 (default, Jun 22 2015, 17:58:13) 
[GCC 4.8.2] on linux2
Type "help", "copyright", "credits" or "license" for more information.
pythonrc start
pythonrc done
>>> help(file.readlines)

Help on method_descriptor:

readlines(...)
    readlines([size]) -> list of strings, each a line from the file.

    Call readline() repeatedly and return a list of the lines so read.
    The optional size argument, if given, is an approximate bound on the
    total number of bytes in the lines returned.

我知道这里不是每个人都是专业程序员 - 当然文档并不总是足以解决问题（我很乐意回答这类问题），但确实是数字在文档开头用普通字母写答案的问题变得有点烦人。