2

我有一个文件，其中每一行都按字母顺序排列。该文件是 12Gb，这意味着我不能简单地逐行读取它。数据如下所示：

brown    0    1    0    1    2
fox      3    5    0    0    1
jumped   2    0    6    1    0

每行开头的单词都是唯一的。每行中的单词和数字由制表符分隔。我希望能够在文件中查询特定关键字。例如，如果我查询“fox”，程序应该返回“fox 3 5 0 0 1”。

似乎 bisect 模块是一个很好的候选者：https ://docs.python.org/3.0/library/bisect.html

我发现了一篇使用 bisect 找出关键字的行号的帖子：如何在文本文件上执行二进制搜索以在 python 中搜索关键字？

这是代码的样子：

import bisect
import os

class Query(object):
    def __init__(self, query, index=5):
        self.query = query
        self.index = index

    def __lt__(self, comparable):
        return self.query < comparable[self.index:]

class FileSearcher(object):
    def __init__(self, file_pointer, record_size=35):
        self.file_pointer = file_pointer
        self.file_pointer.seek(0, os.SEEK_END)
        self.record_size = record_size + len(os.linesep)
        self.num_bytes = self.file_pointer.tell()
        self.file_size = (self.num_bytes // self.record_size)

    def __len__(self):
        return self.file_size

    def __getitem__(self, item):
        self.file_pointer.seek(item * self.record_size)
        return self.file_pointer.read(self.record_size)

with open('myfile') as file_to_search:
    query = 'fox\t' #token to query
    wrapped_query = Query(query)
    searchable_file = FileSearcher(file_to_search)
    linepos = bisect.bisect(searchable_file, wrapped_query)
    print "Located @ line: ", linepos
    #print content of line?

但是，我无法弄清楚如何实际打印该行的内容。我至少应该在某处添加一个 read 语句，但我不知道在哪里。

是否可以使用 bisect 模块打印行的内容？

4

3 回答 3

0

如果您想使用 Python 解决方案，您可以执行以下操作：

  • 按小块MAX_LINE字节读取文件，每次向前移动固定偏移量
  • 该偏移量决定了块大小
  • 对于每个这样的阅读，确定关键（一行中的第一个单词）
  • 这些键用作块的分隔符
  • 构造此类键的列表。该列表将按键排序
  • 您可以通过 pickle/json.dumps/... 在某处保留此类列表
  • 查询时，通过 bisect 找到你 key 所在块的索引
  • 完全阅读该块并找到带有数据的密钥

这是示例文件bigfile：

abc 4
bar 2
baz 3
egg 6
foo 1
god 8
ham 5
sex 7

编码：

import os
from bisect import bisect

MAX_LINE = 7
BLOCK_SIZE = 10

def parse_chunks(filename):

    size = os.path.getsize(filename)
    chunks = []

    with open(filename, 'rb') as file:
        block = str(file.read(MAX_LINE*2))
        first_line = block[:block.find('\n') + 1]
        chunks.append(first_line.split()[0])

        pos = BLOCK_SIZE
        while pos < size:
            file.seek(pos)
            block = str(file.read(MAX_LINE*2))
            first_eol = block.find('\n')
            second_eol = block.find('\n', first_eol + 1)
            if first_eol == -1 or second_eol == -1:
                break

            line = block[first_eol + 1:second_eol]

            key = line.split()[0]
            chunks.append(key)

            pos += BLOCK_SIZE

    return chunks


if __name__ == '__main__':
    BLOCK_SIZE = 10
    filename = 'bigfile'
    chunks = parse_chunks(filename)

    query = 'abc'
    pos_before = bisect(chunks, query) - 1

    with open(filename, 'rb') as file:
        file.seek(pos_before*BLOCK_SIZE)
        block = str(file.read(BLOCK_SIZE + MAX_LINE))
        line_start = block.find(query)
        line_end = block.find('\n', line_start + 1)
        line = block[line_start:line_end]

        print(line)

在这个玩具示例中，我使用 10 字节的块大小，在您使用 12GB 文件的情况下，我建议您从 1M 开始。

于 2014-12-01T20:43:58.303 回答
0

下面的递归函数应该可以缩小搜索间隔。我不确定您是否可以修改它以使其返回匹配或None不匹配。

def bisearch(f, word, i, j)
    if (j-1)<1E6: return i,j

    k = (i+j)/2
    f.seek(k)


    while k<j:
        c = f.read(1)
        k = k+1
        if c == '\n': break
    else:
        # ??? no match ??? I'm not sure

    w = []
    while 1:
        c = f.read(1)
        if c == '\t': break
        w.append(c)

    w = "".join(w)
    if w == word:
         return k, k
    if w < word:
         return bisearch(f, word, k, j)
    else:
         return bisearch(f, word, i, k)

这里是一个使用示例

word = ...
f = open(...)

i,j = bisearch(f, word, 0, len_f)

f.seek(i)
if i==j:
    line = f.readline()
else:
#################### EDIT ################
#   OLD
#   buffer = f.read(1E6)
#   NEW
    buffer = f.read(j-i)
    lenw = len(word)
    for line in buffer.split('\n'):
        if line[:lenw] == word: break
    else:
        # no matches, SOS

result = process(line)
于 2014-12-01T22:11:35.863 回答
-1

尝试seeking 到有问题的行并使用readline.

print "Located @ line: ", linepos
file_to_search.seek(linepos)
line = file_to_search.readline()

这是假设linepos是行的位置，从文件开头开始以字节为单位。如果它是按行号计算的位置，则需要在查找之前乘以每行的字节数。

print "Located @ line: ", linepos
file_to_search.seek(linepos * searchable_file.record_size)
line = file_to_search.readline()
于 2014-12-01T19:31:21.007 回答