Загрузка большого файла в Python

Я использую Python 2.6.2 [GCC 4.3.3], работающий на Ubuntu 9.04. Мне нужно прочитать большой файл данных (~ 1 ГБ,> 3 миллиона строк), строка за строкой, используя скрипт Python.

Я пробовал методы ниже, я считаю, что он использует очень большое пространство памяти (~ 3 ГБ)

for line in open('datafile','r').readlines(): process(line) 

или,

 for line in file(datafile): process(line) 

Есть ли лучший способ загрузить большой файл по строкам, скажем,

• а) путем явного упоминания максимального количества строк, которые файл может загружать в любой момент времени в памяти? Или
• б) путем загрузки его кусками размера, скажем, 1024 байта, при условии, что последняя строка упомянутого куска загружается полностью без усечения?

Несколько предложений дали методы, о которых я упоминал выше, и уже попытались, я пытаюсь понять, есть ли лучший способ справиться с этим. До сих пор мой поиск не был плодотворным. Я ценю вашу помощь.

p / s Я сделал некоторое профилирование памяти с помощью Heapy и не обнаружил утечек памяти в используемом мной коде Python.

Обновление 20 августа 2012 года, 16:41 (GMT + 1)

Пробовал оба подхода, предложенные Дж. Ф. Себастьяном, М. Милсоном и ЯмЧакком (файл данных является переменной)

 with open(datafile) as f: for line in f: process(line) 

Также,

 import fileinput for line in fileinput.input([datafile]): process(line) 

Странно, что оба они используют ~ 3 ГБ памяти, размер моего файла данных в этом тесте составляет 765,2 МБ, состоящий из 21 181 079 строк. Я вижу, что память увеличивается с течением времени (около 40-80 МБ шагов) до стабилизации на 3 ГБ.

Простейшее сомнение: необходимо ли очищать линию после использования?

Я сделал профилирование памяти с помощью Heapy, чтобы понять это лучше.

Профилирование уровня 1

 Partition of a set of 36043 objects. Total size = 5307704 bytes. Index Count % Size % Cumulative % Kind (class / dict of class) 0 15934 44 1301016 25 1301016 25 str 1 50 0 628400 12 1929416 36 dict of __main__.NodeStatistics 2 7584 21 620936 12 2550352 48 tuple 3 781 2 590776 11 3141128 59 dict (no owner) 4 90 0 278640 5 3419768 64 dict of module 5 2132 6 255840 5 3675608 69 types.CodeType 6 2059 6 247080 5 3922688 74 function 7 1716 5 245408 5 4168096 79 list 8 244 1 218512 4 4386608 83 type 9 224 1 213632 4 4600240 87 dict of type <104 more rows. Type eg '_.more' to view.> 

================================================== ==========

Профилирование уровня 2 для уровня 1-индекс 0

 Partition of a set of 15934 objects. Total size = 1301016 bytes. Index Count % Size % Cumulative % Referred Via: 0 2132 13 274232 21 274232 21 '.co_code' 1 2132 13 189832 15 464064 36 '.co_filename' 2 2024 13 114120 9 578184 44 '.co_lnotab' 3 247 2 110672 9 688856 53 "['__doc__']" 4 347 2 92456 7 781312 60 '.func_doc', '[0]' 5 448 3 27152 2 808464 62 '[1]' 6 260 2 15040 1 823504 63 '[2]' 7 201 1 11696 1 835200 64 '[3]' 8 188 1 11080 1 846280 65 '[0]' 9 157 1 8904 1 855184 66 '[4]' <4717 more rows. Type eg '_.more' to view.> 

Профилирование уровня 2 для уровня 1-индекс 1

 Partition of a set of 50 objects. Total size = 628400 bytes. Index Count % Size % Cumulative % Referred Via: 0 50 100 628400 100 628400 100 '.__dict__' 

Профилирование уровня 2 для уровня 1-индекс 2

 Partition of a set of 7584 objects. Total size = 620936 bytes. Index Count % Size % Cumulative % Referred Via: 0 1995 26 188160 30 188160 30 '.co_names' 1 2096 28 171072 28 359232 58 '.co_varnames' 2 2078 27 157608 25 516840 83 '.co_consts' 3 261 3 21616 3 538456 87 '.__mro__' 4 331 4 21488 3 559944 90 '.__bases__' 5 296 4 20216 3 580160 93 '.func_defaults' 6 55 1 3952 1 584112 94 '.co_freevars' 7 47 1 3456 1 587568 95 '.co_cellvars' 8 35 0 2560 0 590128 95 '[0]' 9 27 0 1952 0 592080 95 '.keys()[0]' <189 more rows. Type eg '_.more' to view.> 

Профилирование уровня 2 для уровня 1-индекс 3

 Partition of a set of 781 objects. Total size = 590776 bytes. Index Count % Size % Cumulative % Referred Via: 0 1 0 98584 17 98584 17 "['locale_alias']" 1 29 4 35768 6 134352 23 '[180]' 2 28 4 34720 6 169072 29 '[90]' 3 30 4 34512 6 203584 34 '[270]' 4 27 3 33672 6 237256 40 '[0]' 5 25 3 26968 5 264224 45 "['data']" 6 1 0 24856 4 289080 49 "['windows_locale']" 7 64 8 20224 3 309304 52 "['inters']" 8 64 8 17920 3 327224 55 "['galog']" 9 64 8 17920 3 345144 58 "['salog']" <84 more rows. Type eg '_.more' to view.> 

================================================== ==========

Уровень 3 Профилирование уровня 2-Индекс 0, Уровень 1-Индекс 0

 Partition of a set of 2132 objects. Total size = 274232 bytes. Index Count % Size % Cumulative % Referred Via: 0 2132 100 274232 100 274232 100 '.co_code' 

Уровень 3 Профилирование уровня 2-Индекс 0, Уровень 1-Индекс 1

 Partition of a set of 50 objects. Total size = 628400 bytes. Index Count % Size % Cumulative % Referred Via: 0 50 100 628400 100 628400 100 '.__dict__' 

Уровень 3 Профилирование уровня 2-Индекс 0, Уровень 1-Индекс 2

 Partition of a set of 1995 objects. Total size = 188160 bytes. Index Count % Size % Cumulative % Referred Via: 0 1995 100 188160 100 188160 100 '.co_names' 

Уровень 3 Профилирование уровня 2-Индекс 0, Уровень 1-Индекс 3

 Partition of a set of 1 object. Total size = 98584 bytes. Index Count % Size % Cumulative % Referred Via: 0 1 100 98584 100 98584 100 "['locale_alias']" 

Все еще устраняйте эту проблему.

Поделитесь со мной, если вы столкнулись с этим раньше.

Спасибо за вашу помощь.

Обновление 21 августа 2012, 01:55 (GMT + 1)

1. mgilson, функция процесса используется для публикации файла трассировки сетевого симулятора 2 (NS2). Некоторые из строк в файле трассировки разделяются, как показано ниже. Я использую множество объектов, счетчиков, кортежей и словарей в сценарии python, чтобы узнать, как работает беспроводная сеть.

 s 1.231932886 _25_ AGT --- 0 exp 10 [0 0 0 0 YY] ------- [25:0 0:0 32 0 0] s 1.232087886 _25_ MAC --- 0 ARP 86 [0 ffffffff 67 806 YY] ------- [REQUEST 103/25 0/0] r 1.232776108 _42_ MAC --- 0 ARP 28 [0 ffffffff 67 806 YY] ------- [REQUEST 103/25 0/0] r 1.232776625 _34_ MAC --- 0 ARP 28 [0 ffffffff 67 806 YY] ------- [REQUEST 103/25 0/0] r 1.232776633 _9_ MAC --- 0 ARP 28 [0 ffffffff 67 806 YY] ------- [REQUEST 103/25 0/0] r 1.232776658 _0_ MAC --- 0 ARP 28 [0 ffffffff 67 806 YY] ------- [REQUEST 103/25 0/0] r 1.232856942 _35_ MAC --- 0 ARP 28 [0 ffffffff 64 806 YY] ------- [REQUEST 100/25 0/0] s 1.232871658 _0_ MAC --- 0 ARP 86 [13a 67 1 806 YY] ------- [REPLY 1/0 103/25] r 1.233096712 _29_ MAC --- 0 ARP 28 [0 ffffffff 66 806 YY] ------- [REQUEST 102/25 0/0] r 1.233097047 _4_ MAC --- 0 ARP 28 [0 ffffffff 66 806 YY] ------- [REQUEST 102/25 0/0] r 1.233097050 _26_ MAC --- 0 ARP 28 [0 ffffffff 66 806 YY] ------- [REQUEST 102/25 0/0] r 1.233097051 _1_ MAC --- 0 ARP 28 [0 ffffffff 66 806 YY] ------- [REQUEST 102/25 0/0] r 1.233109522 _25_ MAC --- 0 ARP 28 [13a 67 1 806 YY] ------- [REPLY 1/0 103/25] s 1.233119522 _25_ MAC --- 0 ACK 38 [0 1 67 0 YY] r 1.233236204 _17_ MAC --- 0 ARP 28 [0 ffffffff 65 806 YY] ------- [REQUEST 101/25 0/0] r 1.233236463 _20_ MAC --- 0 ARP 28 [0 ffffffff 65 806 YY] ------- [REQUEST 101/25 0/0] D 1.233236694 _18_ MAC COL 0 ARP 86 [0 ffffffff 65 806 67 1] ------- [REQUEST 101/25 0/0] 

1. Цель профилирования 3 уровня с использованием Heapy – помочь мне сузить, какой объект (ы) съедает большую часть памяти. Как вы можете видеть, к сожалению, я не мог понять, какой из них нуждается в настройке, поскольку он слишком общий. Пример, который я знаю, хотя «dict of main .NodeStatistics» имеет только 50 объектов из 36043 (0,1%) объектов, но он занимает 12% от общей памяти, используемой для запуска скрипта, я не могу найти, какой конкретный словарь я бы нужно заглянуть.

2. Я попытался реализовать предложение Дэвида Эйка, как показано ниже (фрагмент), пытаясь собрать мусор вручную на каждые 500 000 строк,

 import gc for i,line in enumerate(file(datafile)): if (i%500000==0): print '-----------This is line number', i collected = gc.collect() print "Garbage collector: collected %d objects." % (collected) 

К сожалению, использование памяти по-прежнему составляет 3 ГБ, а выход (фрагмент) – ниже,

 -----------This is line number 0 Garbage collector: collected 0 objects. -----------This is line number 500000 Garbage collector: collected 0 objects. 

1. Реализованное предложение martineau, я вижу, что использование памяти теперь составляет 22 МБ от более ранних 3 ГБ! Что-то, чего я ожидал достичь. Странная вещь ниже,

Я делал то же самое профилирование памяти, что и раньше,

Профилирование уровня 1

 Partition of a set of 35474 objects. Total size = 5273376 bytes. Index Count % Size % Cumulative % Kind (class / dict of class) 0 15889 45 1283640 24 1283640 24 str 1 50 0 628400 12 1912040 36 dict of __main__.NodeStatistics 2 7559 21 617496 12 2529536 48 tuple 3 781 2 589240 11 3118776 59 dict (no owner) 4 90 0 278640 5 3397416 64 dict of module 5 2132 6 255840 5 3653256 69 types.CodeType 6 2059 6 247080 5 3900336 74 function 7 1716 5 245408 5 4145744 79 list 8 244 1 218512 4 4364256 83 type 9 224 1 213632 4 4577888 87 dict of type <104 more rows. Type eg '_.more' to view.> 

Сравнивая предыдущий вывод профилирования памяти с приведенным выше, str уменьшила 45 объектов (17376 байт), кортеж уменьшил 25 объектов (3440 байт) и dict (без владельца), хотя не изменил объект, он уменьшил 1536 байт объема памяти. Все остальные объекты одинаковы, включая dict main .NodeStatistics. Общее количество объектов – 35474. Небольшое сокращение объекта (0,2%) обеспечило 99,3% экономии памяти (22 МБ от 3 ГБ). Очень странно.

Если вы понимаете, хотя я знаю место голодания памяти, я все же могу сузить, какой из них вызывает кровотечение.

Будет продолжать исследовать это.

Спасибо всем указателям, используя эту возможность, чтобы много узнать о python, поскольку я не эксперт. Цените свое время, чтобы помочь мне.

Обновление 23 августа 2012, 00:01 (GMT + 1) – РЕШЕНИЕ

1. Я продолжил отладку, используя минималистичный код на предложение мартини. Я начал добавлять коды в функцию процесса и наблюдать за кровотечением памяти.

2. Я считаю, что память начинает истекать кровью, когда я добавляю класс, как показано ниже,

 class PacketStatistics(object): def __init__(self): self.event_id = 0 self.event_source = 0 self.event_dest = 0 ... 

Я использую 3 класса с 136 счетчиками.

1. Обсудив этот вопрос с моим другом Густаво Карнейро, он предложил использовать слот для замены dict.

2. Я преобразовал класс, как показано ниже,

 class PacketStatistics(object): __slots__ = ('event_id', 'event_source', 'event_dest',...) def __init__(self): self.event_id = 0 self.event_source = 0 self.event_dest = 0 ... 

1. Когда я преобразовал все 3 класса, использование памяти 3 ГБ ранее стало 504 МБ. Огромное 80% экономии памяти!

2. Ниже приведено профилирование памяти после преобразования dict в слот .

 Partition of a set of 36157 objects. Total size = 4758960 bytes. Index Count % Size % Cumulative % Kind (class / dict of class) 0 15966 44 1304424 27 1304424 27 str 1 7592 21 624776 13 1929200 41 tuple 2 780 2 587424 12 2516624 53 dict (no owner) 3 90 0 278640 6 2795264 59 dict of module 4 2132 6 255840 5 3051104 64 types.CodeType 5 2059 6 247080 5 3298184 69 function 6 1715 5 245336 5 3543520 74 list 7 225 1 232344 5 3775864 79 dict of type 8 244 1 223952 5 3999816 84 type 9 166 0 190096 4 4189912 88 dict of class <101 more rows. Type eg '_.more' to view.> 

The dict of __main__.NodeStatistics больше не входит в первую десятку.

Я доволен результатом и рад закрыть этот вопрос.

Спасибо за все ваше руководство. Поистине ценим это.

rgds Saravanan K

• Продолжайте и проходите: какая разница?
• Что такое подпись экзотических функций в Python?
• Python: список не мутируется после цикла
• Сравнение элементов между элементами в двух списках кортежей
• Python запрашивает urlencode не работает?

 with open('datafile') as f: for line in f: process(line) 

 import fileinput for line in fileinput.input(['myfile']): do_something(line) 

 file = open('datafile') for line in file: process(line) file.close()