python - 使用 python 生成器处理大文本文件

Question

我刚开始使用生成器，已经阅读了一些内容，但需要一些帮助来处理成 block 的大型文本文件。我知道已经涵盖了这个主题，但是示例代码的解释非常有限，如果不理解正在发生的事情，就很难修改代码。

我的问题相当简单，我有一系列包含以下格式的人类基因组测序数据的大型文本文件:

chr22   1   0
chr22   2   0
chr22   3   1
chr22   4   1
chr22   5   1
chr22   6   2

文件长度在 1Gb 到 ~20Gb 之间，太大而无法读入 RAM。所以我想一次读取 10000 行的 block /容器中的行，以便我可以对这些容器大小的最后一列执行计算。

基于此链接 here我写了以下内容:

def read_large_file(file_object):
    """A generator function to read a large file lazily."""

    bin_size=5000
    start=0
    end=start+bin_size

    # Read a block from the file: data
    while True:
        data = file_object.readlines(end) 
        if not data:
            break
        start=start+bin_size
        end=end+bin_size
        yield data


def process_file(path):

    try:
        # Open a connection to the file
        with open(path) as file_handler:
            # Create a generator object for the file: gen_file
            for block in read_large_file(file_handler):
                print(block)
                # process block

    except (IOError, OSError):
        print("Error opening / processing file")    
    return    

if __name__ == '__main__':
            path='C:/path_to/input.txt'
    process_file(path)

在“process_block”中，我希望返回的“block”对象是一个包含 10000 个元素的列表，但事实并非如此？第一个列表是 843 个元素。第二个是2394个元素？

我想返回一个 block 中的“N”行，但对这里发生的事情感到很困惑？

此解决方案 here似乎它可以提供帮助，但我还是不明白如何修改它以一次读取 N 行？

这here看起来也是一个非常好的解决方案，但同样，没有足够的背景解释让我理解到足以修改代码的程度。

真的很感激任何帮助吗？

Answer 1

与其使用文件中的偏移量，不如尝试从循环中构建并生成包含 10000 个元素的列表:

def read_large_file(file_handler, block_size=10000):
    block = []
    for line in file_handler:
        block.append(line)
        if len(block) == block_size:
            yield block
            block = []

    # don't forget to yield the last block
    if block:
        yield block

with open(path) as file_handler:
    for block in read_large_file(file_handler):
        print(block)