Python：如何将巨大的文本文件读入内存

我在配备 1GB RAM 的 Mac Mini 上使用 Python 2.6。我想读取一个巨大的文本文件

$ ls -l links.csv; file links.csv; tail links.csv 
-rw-r--r--  1 user  user  469904280 30 Nov 22:42 links.csv
links.csv: ASCII text, with CRLF line terminators
4757187,59883
4757187,99822
4757187,66546
4757187,638452
4757187,4627959
4757187,312826
4757187,6143
4757187,6141
4757187,3081726
4757187,58197

因此文件中的每一行都包含两个逗号分隔的整数值的元组。 我想读入整个文件并根据第二列对其进行排序。我知道，我可以在不将整个文件读入内存的情况下进行排序。但我认为对于 500MB 的文件，我仍然可以在内存中完成它，因为我有 1GB 可用空间。

然而，当我尝试读入该文件时，Python 似乎分配的内存比磁盘上文件所需的内存多得多。因此，即使有 1GB 的 RAM，我也无法将 500MB 的文件读入内存。 我用于读取文件并打印有关内存消耗的一些信息的 Python 代码是：

#!/usr/bin/python
# -*- coding: utf-8 -*-

import sys

infile=open("links.csv", "r")

edges=[]
count=0
#count the total number of lines in the file
for line in infile:
 count=count+1

total=count
print "Total number of lines: ",total

infile.seek(0)
count=0
for line in infile:
 edge=tuple(map(int,line.strip().split(",")))
 edges.append(edge)
 count=count+1
 # for every million lines print memory consumption
 if count%1000000==0:
  print "Position: ", edge
  print "Read ",float(count)/float(total)*100,"%."
  mem=sys.getsizeof(edges)
  for edge in edges:
   mem=mem+sys.getsizeof(edge)
   for node in edge:
    mem=mem+sys.getsizeof(node) 

  print "Memory (Bytes): ", mem 

我得到的输出是：

Total number of lines:  30609720
Position:  (9745, 2994)
Read  3.26693612356 %.
Memory (Bytes):  64348736
Position:  (38857, 103574)
Read  6.53387224712 %.
Memory (Bytes):  128816320
Position:  (83609, 63498)
Read  9.80080837067 %.
Memory (Bytes):  192553000
Position:  (139692, 1078610)
Read  13.0677444942 %.
Memory (Bytes):  257873392
Position:  (205067, 153705)
Read  16.3346806178 %.
Memory (Bytes):  320107588
Position:  (283371, 253064)
Read  19.6016167413 %.
Memory (Bytes):  385448716
Position:  (354601, 377328)
Read  22.8685528649 %.
Memory (Bytes):  448629828
Position:  (441109, 3024112)
Read  26.1354889885 %.
Memory (Bytes):  512208580

仅读取 500MB 文件的 25% 后，Python 就消耗了 500MB。因此，将文件内容存储为整数元组列表似乎内存效率不高。 有没有更好的方法来做到这一点，以便我可以将 500MB 文件读入 1GB 内存？

有一个方法可以对大于 RAM 的文件进行排序在本页 http://code.activestate.com/recipes/466302/，但您必须根据涉及 CSV 格式数据的情况对其进行调整。那里还有其他资源的链接。

Edit:诚然，磁盘上的文件并不“大于 RAM”，但内存中的表示很容易变得比 RAM 大得多可用内存。一方面，您自己的程序无法获得整个 1GB（操作系统开销等）。另一方面，即使您以纯 Python 最紧凑的形式存储它（两个整数列表，假设 32 位机器等），您也会为这 30M 整数对使用 934MB。

使用 numpy 也可以完成这项工作，仅使用大约 250MB。这种方式加载并不是特别快，因为您必须计算行数并预先分配数组，但考虑到它在内存中，它可能是最快的实际排序：

import time
import numpy as np
import csv

start = time.time()
def elapsed():
    return time.time() - start

# count data rows, to preallocate array
f = open('links.csv', 'rb')
def count(f):
    while 1:
        block = f.read(65536)
        if not block:
             break
        yield block.count(',')

linecount = sum(count(f))
print '\n%.3fs: file has %s rows' % (elapsed(), linecount)

# pre-allocate array and load data into array
m = np.zeros(linecount, dtype=[('a', np.uint32), ('b', np.uint32)])
f.seek(0)
f = csv.reader(open('links.csv', 'rb'))
for i, row in enumerate(f):
    m[i] = int(row[0]), int(row[1])

print '%.3fs: loaded' % elapsed()
# sort in-place
m.sort(order='b')

print '%.3fs: sorted' % elapsed()

在我的机器上输出与您显示的示例文件类似的内容：

6.139s: file has 33253213 lines
238.130s: read into memory
517.669s: sorted

numpy 中的默认值是快速排序 http://en.wikipedia.org/wiki/Quicksort。 ndarray.sort() 例程（就地排序）也可以采用关键字参数kind="mergesort" or kind="heapsort"但似乎这些都无法对记录数组 http://www.scipy.org/RecordArrays顺便说一句，我用它作为我能看到的对列进行排序的唯一方法together与默认情况相反，默认情况下会对它们进行独立排序（完全弄乱您的数据）。