Python大文件解析与re

Question

如何使用正则表达式解析大文件（使用re 模块），而不将整个文件加载到字符串（或内存）中？内存映射文件无济于事，因为它们的内容无法转换为某种惰性字符串。 re 模块仅支持字符串作为内容参数。

#include <boost/format.hpp>
#include <boost/iostreams/device/mapped_file.hpp>
#include <boost/regex.hpp>
#include <iostream>

int main(int argc, char* argv[])
{
    boost::iostreams::mapped_file fl("BigFile.log");
    //boost::regex expr("\\w+>Time Elapsed .*?$", boost::regex::perl);
    boost::regex expr("something usefull");
    boost::match_flag_type flags = boost::match_default;
    boost::iostreams::mapped_file::iterator start, end;
    start = fl.begin();
    end = fl.end();
    boost::match_results<boost::iostreams::mapped_file::iterator> what;
    while(boost::regex_search(start, end, what, expr))
    {
        std::cout<<what[0].str()<<std::endl;
        start = what[0].second;
    }
    return 0;
}

为了展示我的要求。我使用 C++（和 boost）编写了一个简短的示例，我想在 Python 中使用。

Answer 1

现在一切正常（Python 3.2.3 与 Python 2.7 在界面上有一些差异）。搜索模式应仅以 b" 为前缀以获得有效的解决方案（在 Python 3.2.3 中）。

import re
import mmap
import pprint

def ParseFile(fileName):
    f = open(fileName, "r")
    print("File opened succesfully")
    m = mmap.mmap(f.fileno(), 0, access = mmap.ACCESS_READ)
    print("File mapped succesfully")
    items = re.finditer(b"\\w+>Time Elapsed .*?\n", m)
    for item in items:
        pprint.pprint(item.group(0))

if __name__ == "__main__":
    ParseFile("testre")

Answer 2

这取决于你在做什么类型的解析。

如果您正在执行的解析是逐行的，您可以使用以下命令遍历文件的行：

with open("/some/path") as f:
    for line in f:
        parse(line)

否则，您将需要通过一次读取块并解析它们来使用分块之类的东西。显然，这需要更加小心，以防您尝试匹配的内容与块边界重叠。

Answer 3

要详细说明 Julian 的解决方案，您可以通过存储和连接连续行来实现分块（如果您想执行多行正则表达式），如下所示：

list_prev_lines = []
for i in range(N):
    list_prev_lines.append(f.readline())
for line in f:
    list_prev_lines.pop(0)
    list_prev_lines.append(line)
    parse(string.join(list_prev_lines))

这将保留前 N 行的运行列表，包括当前行，然后将多行组解析为单个字符串。