python - 使用正则表达式解析大文本文件

Question

我有一个巨大的文本文件（1 GB），其中每个“行”由## 分隔。
例如：

## sentence 1 ## sentence 2
## sentence 3

我正在尝试根据## 分隔打印文件。

我尝试了以下代码，但 read() 函数粉碎（因为文件的大小）。

import re

dataFile = open('post.txt', 'r')
p = re.compile('##(.+)')

iterator = p.finditer(dataFile.read())
for match in iterator:
    print (match.group())

dataFile.close()

有任何想法吗？

Answer 1

这将以块（chunksize字节）读取文件，从而避免与一次读取过多文件相关的内存问题：

import re
def open_delimited(filename, delimiter, *args, **kwargs):
    """
    http://stackoverflow.com/a/17508761/190597
    """
    with open(filename, *args, **kwargs) as infile:
        chunksize = 10000
        remainder = ''
        for chunk in iter(lambda: infile.read(chunksize), ''):
            pieces = re.split(delimiter, remainder + chunk)
            for piece in pieces[:-1]:
                yield piece
            remainder = pieces[-1]
        if remainder:
            yield remainder

filename = 'post.txt'
for chunk in open_delimited(filename, '##', 'r'):
    print(chunk)
    print('-'*80)

Answer 2

您可以使用islice.

from itertools import islice

file = open('file.txt', 'r')
while True:
  slice = islice(file, buffer)
  to_process = []
  for line in slice:
    to_process.append(line)
  if not to_process:
    break
  #process to_process list
file.close()

buffer是您一次要读取的行数（您必须定义 int）。