如何改进用于合并已排序文件的Python类？

Question

背景：

我正在处理一些很大的文件，这些文件太大了，无法一次性放进内存里。每当我清理输入文件时，我会在内存中建立一个列表；当这个列表的条目达到1000000（大约占用1GB内存）时，我就会对它进行排序（使用下面的默认排序方式），然后把这个列表写入一个文件。这个类的作用是把已经排序的文件重新组合在一起。到目前为止，它在我遇到的文件上都能正常工作。我处理过的最大情况是合并66个已排序的文件。

问题：

1. 我的逻辑有没有漏洞（哪里可能出问题）？
2. 我实现的合并排序算法正确吗？
3. 有没有明显的改进建议？

示例数据：

这是这些文件中一行数据的抽象表示：

'hash_of_SomeStringId\tSome String Id\t\t\twww.somelink.com\t\tOtherData\t\n'

重点是我使用 'SomeStringId'.lower().replace(' ', '') 作为我的排序关键字。

原始代码：

class SortedFileMerger():
    """ A one-time use object that merges any number of smaller sorted 
        files into one large sorted file.

        ARGS:
            paths - list of paths to sorted files
            output_path - string path to desired output file
            dedup - (boolean) remove lines with duplicate keys, default = True
            key - use to override sort key, default = "line.split('\t')[1].lower().replace(' ', '')"
                  will be prepended by "lambda line: ".  This should be the same 
                  key that was used to sort the files being merged!
    """
    def __init__(self, paths, output_path, dedup=True, key="line.split('\t')[1].lower().replace(' ', '')"):
        self.key = eval("lambda line: %s" % key)
        self.dedup = dedup
        self.handles = [open(path, 'r') for path in paths]
        # holds one line from each file
        self.lines = [file_handle.readline() for file_handle in self.handles]
        self.output_file = open(output_path, 'w')
        self.lines_written = 0
        self._mergeSortedFiles() #call the main method

    def __del__(self):
        """ Clean-up file handles.
        """
        for handle in self.handles:
            if not handle.closed:
                handle.close()
        if self.output_file and (not self.output_file.closed):
            self.output_file.close()

    def _mergeSortedFiles(self):
        """ Merge the small sorted files to 'self.output_file'. This can 
            and should only be called once.
            Called from __init__().
        """
        previous_comparable = ''
        min_line = self._getNextMin()
        while min_line:
            index = self.lines.index(min_line)
            comparable = self.key(min_line)
            if not self.dedup:                      
                #not removing duplicates
                self._writeLine(index)
            elif comparable != previous_comparable: 
                #removing duplicates and this isn't one
                self._writeLine(index)
            else:                                   
                #removing duplicates and this is one
                self._readNextLine(index)
            previous_comparable = comparable
            min_line = self._getNextMin()
        #finished merging
        self.output_file.close()

    def _getNextMin(self):
        """ Returns the next "smallest" line in sorted order.
            Returns None when there are no more values to get.
        """
        while '' in self.lines:
            index = self.lines.index('')
            if self._isLastLine(index):
                # file.readline() is returning '' because 
                # it has reached the end of a file.
                self._closeFile(index)
            else:
                # an empty line got mixed in
                self._readNextLine(index)
        if len(self.lines) == 0:
            return None
        return min(self.lines, key=self.key)

    def _writeLine(self, index):
        """ Write line to output file and update self.lines
        """
        self.output_file.write(self.lines[index])
        self.lines_written += 1
        self._readNextLine(index)

    def _readNextLine(self, index):
        """ Read the next line from handles[index] into lines[index]
        """
        self.lines[index] = self.handles[index].readline()

    def _closeFile(self, index):
        """ If there are no more lines to get in a file, it 
            needs to be closed and removed from 'self.handles'.
            It's entry in 'self.lines' also need to be removed.
        """
        handle = self.handles.pop(index)
        if not handle.closed:
            handle.close()
        # remove entry from self.lines to preserve order
        _ = self.lines.pop(index)

    def _isLastLine(self, index):
        """ Check that handles[index] is at the eof.
        """
        handle = self.handles[index]            
        if handle.tell() == os.path.getsize(handle.name):
            return True
        return False

编辑： 根据 Brian 的建议，我想出了以下解决方案：

第二次编辑： 根据 John Machin 的建议更新了代码：

def decorated_file(f, key):
    """ Yields an easily sortable tuple. 
    """
    for line in f:
        yield (key(line), line)

def standard_keyfunc(line):
    """ The standard key function in my application.
    """
    return line.split('\t', 2)[1].replace(' ', '').lower()

def mergeSortedFiles(paths, output_path, dedup=True, keyfunc=standard_keyfunc):
    """ Does the same thing SortedFileMerger class does. 
    """
    files = map(open, paths) #open defaults to mode='r'
    output_file = open(output_path, 'w')
    lines_written = 0
    previous_comparable = ''
    for line in heapq26.merge(*[decorated_file(f, keyfunc) for f in files]):
        comparable = line[0]
        if previous_comparable != comparable:
            output_file.write(line[1])
            lines_written += 1
        previous_comparable = comparable
    return lines_written

粗略 测试

使用相同的输入文件（2.2 GB的数据）：

• SortedFileMerger 类花了51分钟（3068.4秒）
• Brian 的解决方案花了40分钟（2408.5秒）
• 在添加了 John Machin 的建议后，解决方案代码花了36分钟（2214.0秒）

Answer 1

<< 这个“回答”是对原提问者代码结果的评论 >>

建议：使用 eval() 这个方法有点问题，而且你这样做限制了调用者只能使用 lambda 函数——提取关键字可能需要的不止是一行代码，另外，你在初步排序的时候不需要用同样的函数吗？

所以把这个：

def mergeSortedFiles(paths, output_path, dedup=True, key="line.split('\t')[1].lower().replace(' ', '')"):
    keyfunc = eval("lambda line: %s" % key)

换成这个：

def my_keyfunc(line):
    return line.split('\t', 2)[1].replace(' ', '').lower()
    # minor tweaks may speed it up a little

def mergeSortedFiles(paths, output_path, keyfunc, dedup=True):    

Answer 2

注意，在python2.6中，heapq模块新增了一个merge函数，可以帮你完成这个操作。

如果你想处理自定义的键函数，可以用一个装饰器把文件迭代器包装起来，这样它就能根据这个键进行比较，最后再把装饰器去掉：

def decorated_file(f, key):
    for line in f: 
        yield (key(line), line)

filenames = ['file1.txt','file2.txt','file3.txt']
files = map(open, filenames)
outfile = open('merged.txt')

for line in heapq.merge(*[decorated_file(f, keyfunc) for f in files]):
    outfile.write(line[1])

[编辑] 即使在早期版本的python中，直接从后来的heapq模块中拿merge的实现也是值得的。这个实现是纯python写的，可以在python2.5中不做修改地运行，而且因为它使用堆来获取下一个最小值，所以在合并大量文件时应该非常高效。

你可以简单地从python2.6的安装中复制heapq.py文件，把它命名为"heapq26.py"，然后使用"from heapq26 import merge"来导入——里面没有使用任何特定于2.6的功能。或者，你也可以直接复制merge函数（把heappop等调用改成引用python2.5的heapq模块）。