python - 获取文本文件的第一行和最后一行的最有效方法是什么？

Question

我有一个文本文件，每行都包含一个时间戳。我的目标是找到时间范围。所有的时间都是按顺序排列的，所以第一行是最早的时间，最后一行是最晚的时间。我只需要第一行和最后一行。在 python 中获取这些行的最有效方法是什么？

注意：这些文件的长度相对较大，每个大约 1-2 百万行，我必须为数百个文件执行此操作。

Answer 1

要读取文件的第一行和最后一行，您可以...

• 打开文件，...
• ...使用内置阅读第一行readline()，...
• ...寻找（移动光标）到文件的末尾，...
• ... 后退一步，直到遇到EOL（换行符）和 ...
• ...从那里阅读最后一行。

def readlastline(f):
    f.seek(-2, 2)              # Jump to the second last byte.
    while f.read(1) != b"\n":  # Until EOL is found ...
        f.seek(-2, 1)          # ... jump back, over the read byte plus one more.
    return f.read()            # Read all data from this point on.
    
with open(file, "rb") as f:
    first = f.readline()
    last = readlastline(f)

直接跳转到倒数第二个字节，防止尾随换行符导致返回空行*。

每次读取一个字节时，当前偏移量都会前移一个，因此每次向后执行两个字节，经过最近读取的字节和下一个要读取的字节。

whence传递给的参数fseek(offset, whence=0)指示fseek应该寻找offset相对于...的位置字节

• 0或os.SEEK_SET= 文件的开头。
• 1或os.SEEK_CUR= 当前位置。
• 2或os.SEEK_END= 文件的结尾。

* 正如预期的那样，大多数应用程序的默认行为，包括printand echo，是在每一行写入后追加一个，并且对缺少尾随换行符的行没有影响。

效率

每个 1-2 百万行，我必须为数百个文件执行此操作。

我对这种方法进行了计时，并将其与最佳答案进行了比较。

10k iterations processing a file of 6k lines totalling 200kB: 1.62s vs 6.92s.
100 iterations processing a file of 6k lines totalling 1.3GB: 8.93s vs 86.95.

数百万行会增加更多的差异。

用于计时的 Exakt 代码：

with open(file, "rb") as f:
    first = f.readline()     # Read and store the first line.
    for last in f: pass      # Read all lines, keep final value.

修正案

一个更复杂、更难阅读的变体，以解决此后提出的评论和问题。

• 解析空文件时返回空字符串，由comment引发。
• 当没有找到分隔符时返回所有内容，由comment提出。
• 避免相对偏移以支持由注释提出的文本模式。
• UTF16/UTF32 hack，注释中注明。

还添加了对多字节分隔符的支持，readlast(b'X<br>Y', b'<br>', fixed=False).

请注意，由于文本模式中需要非相对偏移，这种变化对于大文件来说确实很慢。根据您的需要进行修改，或者根本不使用它，因为您最好使用f.readlines()[-1]以文本模式打开的文件。

#!/bin/python3

from os import SEEK_END

def readlast(f, sep, fixed=True):
    r"""Read the last segment from a file-like object.

    :param f: File to read last line from.
    :type  f: file-like object
    :param sep: Segment separator (delimiter).
    :type  sep: bytes, str
    :param fixed: Treat data in ``f`` as a chain of fixed size blocks.
    :type  fixed: bool
    :returns: Last line of file.
    :rtype: bytes, str
    """
    bs   = len(sep)
    step = bs if fixed else 1
    if not bs:
        raise ValueError("Zero-length separator.")
    try:
        o = f.seek(0, SEEK_END)
        o = f.seek(o-bs-step)    # - Ignore trailing delimiter 'sep'.
        while f.read(bs) != sep: # - Until reaching 'sep': Read sep-sized block
            o = f.seek(o-step)   #  and then seek to the block to read next.
    except (OSError,ValueError): # - Beginning of file reached.
        f.seek(0)
    return f.read()

def test_readlast():
    from io import BytesIO, StringIO
    
    # Text mode.
    f = StringIO("first\nlast\n")
    assert readlast(f, "\n") == "last\n"
    
    # Bytes.
    f = BytesIO(b'first|last')
    assert readlast(f, b'|') == b'last'
    
    # Bytes, UTF-8.
    f = BytesIO("X\nY\n".encode("utf-8"))
    assert readlast(f, b'\n').decode() == "Y\n"
    
    # Bytes, UTF-16.
    f = BytesIO("X\nY\n".encode("utf-16"))
    assert readlast(f, b'\n\x00').decode('utf-16') == "Y\n"
  
    # Bytes, UTF-32.
    f = BytesIO("X\nY\n".encode("utf-32"))
    assert readlast(f, b'\n\x00\x00\x00').decode('utf-32') == "Y\n"
    
    # Multichar delimiter.
    f = StringIO("X<br>Y")
    assert readlast(f, "<br>", fixed=False) == "Y"
    
    # Make sure you use the correct delimiters.
    seps = { 'utf8': b'\n', 'utf16': b'\n\x00', 'utf32': b'\n\x00\x00\x00' }
    assert "\n".encode('utf8' )     == seps['utf8']
    assert "\n".encode('utf16')[2:] == seps['utf16']
    assert "\n".encode('utf32')[4:] == seps['utf32']
    
    # Edge cases.
    edges = (
        # Text , Match
        (""    , ""  ), # Empty file, empty string.
        ("X"   , "X" ), # No delimiter, full content.
        ("\n"  , "\n"),
        ("\n\n", "\n"),
        # UTF16/32 encoded U+270A (b"\n\x00\n'\n\x00"/utf16)
        (b'\n\xe2\x9c\x8a\n'.decode(), b'\xe2\x9c\x8a\n'.decode()),
    )
    for txt, match in edges:
        for enc,sep in seps.items():
            assert readlast(BytesIO(txt.encode(enc)), sep).decode(enc) == match

if __name__ == "__main__":
    import sys
    for path in sys.argv[1:]:
        with open(path) as f:
            print(f.readline()    , end="")
            print(readlast(f,"\n"), end="")

Answer 2

io 模块的文档

with open(fname, 'rb') as fh:
    first = next(fh).decode()

    fh.seek(-1024, 2)
    last = fh.readlines()[-1].decode()

这里的变量值为1024：它代表平均字符串长度。我仅选择 1024 为例。如果您估计平均线长，则可以使用该值乘以 2。

由于您对行长的可能上限一无所知，因此显而易见的解决方案是遍历文件：

for line in fh:
    pass
last = line

您无需担心可以使用的二进制标志open(fname)。

ETA：由于您有许多文件要处理，您可以创建一个包含几十个文件的示例，random.sample并在它们上运行此代码以确定最后一行的长度。位置偏移的先验值很大（比如说 1 MB）。这将帮助您估算完整运行的价值。

Answer 3

这是 SilentGhost 答案的修改版本，可以满足您的要求。

with open(fname, 'rb') as fh:
    first = next(fh)
    offs = -100
    while True:
        fh.seek(offs, 2)
        lines = fh.readlines()
        if len(lines)>1:
            last = lines[-1]
            break
        offs *= 2
    print first
    print last

这里不需要线长的上限。

Answer 4

你可以使用unix命令吗？我认为使用head -1并且tail -n 1可能是最有效的方法。或者，您可以使用 simplefid.readline()来获取第一行和fid.readlines()[-1]，但这可能会占用太多内存。

Answer 5

这是我的解决方案，也与 Python3 兼容。它也管理边界情况，但它缺少对 utf-16 的支持：

def tail(filepath):
    """
    @author Marco Sulla (marcosullaroma@gmail.com)
    @date May 31, 2016
    """

    try:
        filepath.is_file
        fp = str(filepath)
    except AttributeError:
        fp = filepath

    with open(fp, "rb") as f:
        size = os.stat(fp).st_size
        start_pos = 0 if size - 1 < 0 else size - 1

        if start_pos != 0:
            f.seek(start_pos)
            char = f.read(1)

            if char == b"\n":
                start_pos -= 1
                f.seek(start_pos)

            if start_pos == 0:
                f.seek(start_pos)
            else:
                char = ""

                for pos in range(start_pos, -1, -1):
                    f.seek(pos)

                    char = f.read(1)

                    if char == b"\n":
                        break

        return f.readline()

它受到Trasp 的回答和AnotherParker的评论的启发。

Answer 6

首先以读取模式打开文件。然后使用 readlines() 方法逐行读取。所有行都存储在一个列表中。现在您可以使用列表切片来获取文件的第一行和最后一行。

    a=open('file.txt','rb')
    lines = a.readlines()
    if lines:
        first_line = lines[:1]
        last_line = lines[-1]

Answer 7

w=open(file.txt, 'r')
print ('first line is : ',w.readline())
for line in w:  
    x= line
print ('last line is : ',x)
w.close()

for循环遍历这些行并获取x最后一次迭代的最后一行。

Answer 8

with open("myfile.txt") as f:
    lines = f.readlines()
    first_row = lines[0]
    print first_row
    last_row = lines[-1]
    print last_row

Answer 9

这是@Trasp's answer的扩展，它具有处理只有一行的文件的极端情况的附加逻辑。如果您反复想要读取持续更新的文件的最后一行，处理这种情况可能会很有用。没有这个，如果你试图抓取一个刚刚创建的文件的最后一行，并且只有一行，IOError: [Errno 22] Invalid argument将会被提升。

def tail(filepath):
    with open(filepath, "rb") as f:
        first = f.readline()      # Read the first line.
        f.seek(-2, 2)             # Jump to the second last byte.
        while f.read(1) != b"\n": # Until EOL is found...
            try:
                f.seek(-2, 1)     # ...jump back the read byte plus one more.
            except IOError:
                f.seek(-1, 1)
                if f.tell() == 0:
                    break
        last = f.readline()       # Read last line.
    return last

Answer 10

没有人提到使用 reversed：

f=open(file,"r")
r=reversed(f.readlines())
last_line_of_file = r.next()

Answer 11

获得第一行非常容易。对于最后一行，假设您知道行长的近似上限，os.lseek从SEEK_END找到倒数第二行结束，然后readline()最后一行。

Answer 12

with open(filename, "rb") as f:#Needs to be in binary mode for the seek from the end to work
    first = f.readline()
    if f.read(1) == '':
        return first
    f.seek(-2, 2)  # Jump to the second last byte.
    while f.read(1) != b"\n":  # Until EOL is found...
        f.seek(-2, 1)  # ...jump back the read byte plus one more.
    last = f.readline()  # Read last line.
    return last

上述答案是上述答案的修改版本，它处理文件中只有一行的情况