python - 我可以使用 bisect 来打印一行的内容吗？

Question

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。我希望能够查询特定关键字的文件。例如，如果我查询“fox”，程序应该返回“fox 3 5 0 0 1”。

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

我找到了一个使用二分法找出关键字行号的帖子:How do I perform binary search on a text file to search a keyword in python?

代码如下:

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，我不知道如何实际打印该行的内容。我至少应该在某处添加一个读取语句，但我不知道在哪里。

是否可以用bisect模块打印行的内容？

Answer 1

如果你想使用 Python 解决方案，你可以执行以下操作:

• 以 MAX_LINE 字节的小块读取文件，每次向前移动固定偏移量
• 该偏移量决定了 block 的大小
• 对于每个这样的阅读，确定关键(一行中的第一个单词)
• 这些键作为 block 的分隔符
• 构建此类键的列表。该列表将按键排序
• 您可以通过 pickle/json.dumps/... 将此类列表保存在某处
• 查询时，通过平分找到你key所在 block 的索引
• 完整读取该 block 并找到包含数据的 key

这是示例文件 bigfile:

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

代码:

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 block 大小，对于 12GB 的文件，我建议您从 1M 开始。