examples - (Python) Contando líneas en un archivo enorme(> 10GB) lo más rápido posible

r plotly axis format

Question

Esta pregunta ya tiene una respuesta aquí:

• ¿Cómo obtener una cuenta de línea barata en Python? 37 respuestas

Tengo un script muy simple ahora que cuenta las líneas en un archivo de texto usando enumerate() :

i = 0
f = open("C:/Users/guest/Desktop/file.log", "r")
for i, line in enumerate(f):
pass
print i + 1
f.close()

Esto toma alrededor de 3 minutos y medio para pasar por un archivo de registro de 15 GB con ~ 30 millones de líneas. Sería fantástico si pudiera obtener esto en menos de dos minutos, ya que estos son registros diarios y queremos hacer un análisis mensual, por lo que el código tendrá que procesar 30 registros de ~ 15 GB, más de una hora y media, posiblemente , y nos gustaría minimizar el tiempo y la carga de memoria en el servidor.

También me conformaría con un buen método de aproximación / estimación, pero debe ser de aproximadamente 4 sig.

¡Gracias!

Answer 1

Extendí la respuesta de gl y ejecuté su código usando el módulo de multiproceso Python para un conteo más rápido:

def blocks(f, cut, size=64*1024): # 65536
start, chunk =cut
iter=0
read_size=int(size)
_break =False
while not _break:
if _break: break
if f.tell()+size>start+chunk:
read_size=int(start+chunk- f.tell() )
_break=True
b = f.read(read_size)
iter +=1
if not b: break
yield b
def get_chunk_line_count(data):
fn, chunk_id, cut = data
start, chunk =cut
cnt =0
last_bl=None
with open(fn, "r") as f:
if 0:
f.seek(start)
bl = f.read(chunk)
cnt= bl.count(''/n'')
else:
f.seek(start)
for i, bl in enumerate(blocks(f,cut)):
cnt += bl.count(''/n'')
last_bl=bl
if not last_bl.endswith(''/n''):
cnt -=1
return cnt
....
pool = multiprocessing.Pool(processes=pool_size,
initializer=start_process,
)
pool_outputs = pool.map(get_chunk_line_count, inputs)
pool.close() # no more tasks
pool.join() 

Esto mejorará el rendimiento de conteo 20 veces. Lo envolví en un script y se lo puse a Github.

Answer 2

Sé que es un poco injusto pero podrías hacer esto

int(subprocess.check_output("wc -l C://alarm.bat").split()[0])

Si estás en Windows Coreutils

Answer 3

Una solución rápida de 1 línea es:

sum((1 for i in open(file_path, ''rb'')))

Debería funcionar en archivos de tamaño arbitrario.

Answer 4

La respuesta de Ignacio es correcta, pero podría fallar si tiene un proceso de 32 bits.

Pero tal vez podría ser útil leer el archivo en bloque y luego contar los /n caracteres en cada bloque.

def blocks(files, size=65536):
while True:
b = files.read(size)
if not b: break
yield b
with open("file", "r") as f:
print sum(bl.count("/n") for bl in blocks(f))

Hará tu trabajo.

Tenga en cuenta que no abro el archivo como binario, por lo que el /r/n se convertirá a /n , lo que hace que el conteo sea más confiable.

Para Python 3, y para hacerlo más robusto, para leer archivos con todo tipo de caracteres:

def blocks(files, size=65536):
while True:
b = files.read(size)
if not b: break
yield b
with open("file", "r",encoding="utf-8",errors=''ignore'') as f:
print (sum(bl.count("/n") for bl in blocks(f)))

Answer 5

mmap el archivo, y contar las nuevas líneas.