用Python读取大文件

Question

我有一个384MB的文本文件，有5000万行。每行包含两个空格分隔的整数：一个键和一个值。文件按键排序。我需要一种高效的方法来查找Python中大约200个键列表的值。

我目前的做法如下。需要30秒。必须有更高效的Python foo才能将此效率降低到最多几秒的合理效率。

# list contains a sorted list of the keys we need to lookup
# there is a sentinel at the end of list to simplify the code
# we use pointer to iterate through the list of keys
for line in fin:
  line = map(int, line.split())
  while line[0] == list[pointer].key:
    list[pointer].value = line[1]
    pointer += 1
  while line[0] > list[pointer].key:
    pointer += 1
  if pointer >= len(list) - 1:
    break # end of list; -1 is due to sentinel

编码二进制搜索+搜索解决方案（感谢kigurai！）以下内容：

entries = 24935502 # number of entries
width   = 18       # fixed width of an entry in the file padded with spaces
                   # at the end of each line
for i, search in enumerate(list): # list contains the list of search keys
  left, right = 0, entries-1 
  key = None
  while key != search and left <= right:
    mid = (left + right) / 2
    fin.seek(mid * width)
    key, value = map(int, fin.readline().split())
    if search > key:
      left = mid + 1
    else:
      right = mid - 1
  if key != search:
    value = None # for when search key is not found
  search.result = value # store the result of the search

Answer 1

如果你只需要5千万行中的2亿行，那么把它们全部读入内存是一种浪费。我会对搜索键列表进行排序，然后使用seek（）或类似的方法对文件应用二进制搜索。这样你就不会把整个文件读到内存中，我认为这会加快速度。

Answer 2

S.Lotts答案的轻微优化：

from collections import defaultdict
keyValues= defaultdict(list)
targetKeys= # some list of keys as strings
for line in fin:
    key, value = line.split()
    if key in targetKeys:
        keyValues[key].append( value )

因为我们使用的是字典而不是列表，所以键不必是数字。这将为每一行保存map（）操作和字符串到整数的转换。如果您希望键是数字，则在结束时进行转换a，此时您只需要为每个键执行一次转换，而不是为5000万行中的每一行执行一次转换。

Answer 3

目前还不清楚“list[pointer]”到底是什么意思。不过，考虑一下。

from collections import defaultdict
keyValues= defaultdict(list)
targetKeys= # some list of keys
for line in fin:
    key, value = map( int, line.split())
    if key in targetKeys:
        keyValues[key].append( value )