我正在编写一个代码来一次获取一个巨大的文本文件（几 GB）N 行，处理该批处理，然后移动到接下来的 N 行，直到我完成整个文件。（我不在乎最后一批是否不是完美的尺寸）。
我一直在阅读有关使用 itertools islice 进行此操作的信息。我想我已经完成了一半：
from itertools import islice
N = 16
infile = open("my_very_large_text_file", "r")
lines_gen = islice(infile, N)
for lines in lines_gen:
...process my lines...
麻烦的是我想处理下一批 16 行，但我错过了一些东西
islice()可用于获取n迭代器的下一项。因此，list(islice(f, n))将返回文件下一n行的列表f。在循环中使用它将为您提供成块的文件n。在文件的末尾，列表可能会更短，最后调用将返回一个空列表。
from itertools import islice
with open(...) as f:
while True:
next_n_lines = list(islice(f, n))
if not next_n_lines:
break
# process next_n_lines
另一种方法是使用grouper 模式：
with open(...) as f:
for next_n_lines in izip_longest(*[f] * n):
# process next_n_lines
这个问题似乎假设通过一次读取 N 行块中的“巨大的文本文件”可以获得效率。这在已经高度优化的库上增加了一个缓冲应用层stdio，增加了复杂性，并且可能绝对不会给您带来任何好处。
因此：
with open('my_very_large_text_file') as f:
for line in f:
process(line)
在时间、空间、复杂性和可读性方面可能优于任何替代方案。
另请参阅Rob Pike 的前两条规则、Jackson 的两条规则和PEP-20 The Zen of Python。如果你真的只是想玩，islice你应该忽略大文件的东西。
这是使用groupby的另一种方式：
from itertools import count, groupby
N = 16
with open('test') as f:
for g, group in groupby(f, key=lambda _, c=count(): c.next()/N):
print list(group)
这个怎么运作：
基本上 groupby() 将通过 key 参数的返回值对行进行分组，而 key 参数是lambda函数，并且使用 c 参数将在定义函数时绑定到count()lambda _, c=count(): c.next()/N的事实，因此每次都会调用lambda 函数并评估返回值以确定将对行进行分组的分组器：groupby()
# 1 iteration.
c.next() => 0
0 / 16 => 0
# 2 iteration.
c.next() => 1
1 / 16 => 0
...
# Start of the second grouper.
c.next() => 16
16/16 => 1
...
由于添加了从文件中选择的行在统计上均匀分布的要求，因此我提供了这种简单的方法。
"""randsamp - extract a random subset of n lines from a large file"""
import random
def scan_linepos(path):
"""return a list of seek offsets of the beginning of each line"""
linepos = []
offset = 0
with open(path) as inf:
# WARNING: CPython 2.7 file.tell() is not accurate on file.next()
for line in inf:
linepos.append(offset)
offset += len(line)
return linepos
def sample_lines(path, linepos, nsamp):
"""return nsamp lines from path where line offsets are in linepos"""
offsets = random.sample(linepos, nsamp)
offsets.sort() # this may make file reads more efficient
lines = []
with open(path) as inf:
for offset in offsets:
inf.seek(offset)
lines.append(inf.readline())
return lines
dataset = 'big_data.txt'
nsamp = 5
linepos = scan_linepos(dataset) # the scan only need be done once
lines = sample_lines(dataset, linepos, nsamp)
print 'selecting %d lines from a file of %d' % (nsamp, len(linepos))
print ''.join(lines)
我在一个包含 1.7GB 磁盘的 300 万行的模拟数据文件上对其进行了测试。scan_linepos在我不太热的桌面上，运行时占主导地位大约 20 秒。
只是为了检查sample_lines我使用timeit模块的性能
import timeit
t = timeit.Timer('sample_lines(dataset, linepos, nsamp)',
'from __main__ import sample_lines, dataset, linepos, nsamp')
trials = 10 ** 4
elapsed = t.timeit(number=trials)
print u'%dk trials in %.2f seconds, %.2fµs per trial' % (trials/1000,
elapsed, (elapsed/trials) * (10 ** 6))
对于 的各种值nsamp；当nsamp为 100 时，单个sample_lines在 460µs 内完成，并在每次调用 47ms 时线性扩展到 10k 个样本。
自然的下一个问题是Random 几乎不是随机的？，答案是“亚密码学，但对生物信息学来说肯定没问题”。
使用过什么是最“pythonic”的方式来迭代块中的列表？：
from itertools import izip_longest
def grouper(iterable, n, fillvalue=None):
"grouper(3, 'ABCDEFG', 'x') --> ABC DEF Gxx"
args = [iter(iterable)] * n
return izip_longest(*args, fillvalue=fillvalue)
with open(filename) as f:
for lines in grouper(f, chunk_size, ""): #for every chunk_sized chunk
"""process lines like
lines[0], lines[1] , ... , lines[chunk_size-1]"""
假设“批处理”意味着要一次处理所有 16 个记录而不是单独处理，一次读取文件一条记录并更新计数器；当计数器达到 16 时，处理该组。
interim_list = [] infile = open("my_very_large_text_file", "r") ctr = 0 for rec in infile: interim_list.append(rec) ctr += 1 if ctr > 15: process_list(interim_list) interim_list = [] ctr = 0the final group
process_list(interim_list)