python - python：从压缩文本文件中读取行

Question

使用python从gz压缩的文本文件中读取一行而不完全提取文件是否容易？我有一个大约 200mb 的 text.gz 文件。当我提取它时，它变成了 7.4gb。这不是我必须阅读的唯一文件。对于整个过程，我必须阅读 10 个文件。虽然这将是一个连续的工作，但我认为在不提取整个信息的情况下这样做是一件明智的事情。我什至不知道这是可能的。如何使用python完成？我需要逐行阅读文本文件。

Answer 1

使用gzip.GzipFile：

import gzip

with gzip.open('input.gz','rt') as f:
    for line in f:
        print('got line', line)

注意：gzip.open(filename, mode)是 的别名gzip.GzipFile(filename, mode)。我更喜欢前者，因为它看起来类似于with open(...) as f:用于打开未压缩文件。

Answer 2

你可以在 python 中使用标准的 gzip 模块。只需使用：

gzip.open('myfile.gz')

将文件作为任何其他文件打开并读取其行。

更多信息：Python gzip 模块

Answer 3

您是否尝试过使用gzip.GzipFile？参数类似于open。

Answer 4

gzip 库（显然）使用gzip，这可能有点慢。你可以通过系统调用pigz来加快速度， pigz是gzip. 缺点是您必须安装pigz，并且在运行过程中会占用更多内核，但速度更快且内存密集度不高。然后对文件的调用变为os.popen('pigz -dc ' + filename)而不是gzip.open(filename,'rt'). pigz 标志-d用于解压缩和-cstdout 输出，然后可以通过os.popen.

下面的代码接收一个文件和一个数字（1 或 2），并计算文件中具有不同调用的行数，同时测量代码所用的时间。在 中定义以下代码unzip-file.py：

#!/usr/bin/python
import os
import sys
import time
import gzip

def local_unzip(obj):
    t0 = time.time()
    count = 0
    with obj as f:
        for line in f:
            count += 1
    print(time.time() - t0, count)

r = sys.argv[1]
if sys.argv[2] == "1":
    local_unzip(gzip.open(r,'rt'))
else:
    local_unzip(os.popen('pigz -dc ' + r))

调用这些函数来/usr/bin/time -f %M测量 28G 文件上进程的最大内存使用量，我们得到：

$ /usr/bin/time -f %M ./unzip-file.py $file 1
(3037.2604110240936, 1223422024)
5116

$ /usr/bin/time -f %M ./unzip-file.py $file 2
(598.771901845932, 1223422024)
4996

表明使用基本相同的最大内存，系统调用大约快五倍（10 分钟比 50 分钟）。还值得注意的是，根据您在文件中读取每行所做的操作可能不是限制因素，在这种情况下，您选择的选项无关紧要。