Python - 如何在大文件中搜索字符串

Question

我有一个大文件，其中可以包含 file_+0.txt、file_[]1.txt、file_~8.txt 等字符串

我想找到丢失的 files_*.txt 直到某个数字。

例如，如果我给下面的文件和一个数字 5，它应该告诉我缺少的是 1 和 4

asdffile_[0.txtsadfe
asqwffile_~2.txtsafwe
awedffile_[]2.txtsdfwe
qwefile_*0.txtsade
zsffile_+3.txtsadwe

我写了一个 Python 脚本，我可以给它提供文件路径和一个数字，它会给我所有在该数字之前丢失的文件名。

我的程序适用于小文件。但是当我给出一个文件编号可以达到 10000 的大文件 (12MB) 时，它就会挂起。

这是我当前的 Python 代码

#! /usr/bin/env/python
import mmap
import re

def main():
    filePath = input("Enter file path: ")
    endFileNum = input("Enter end file number: ")
    print(filePath)
    print(endFileNum)
    filesMissing = []
    filesPresent = []
    f = open(filePath, 'rb', 0)
    s = mmap.mmap(f.fileno(), 0, access=mmap.ACCESS_READ)
    for x in range(int(endFileNum)):
        myRegex = r'(.*)file(.*)' + re.escape(str(x)) + r'\.txt'
        myRegex = bytes(myRegex, 'utf-8')
        if re.search(myRegex, s):
            filesPresent.append(x)
        else:
            filesMissing.append(x)
    #print(filesPresent)
    print(filesMissing)

if __name__ == "__main__":
    main()

当我给出一个 12MB 的文件时，输出挂起，该文件可以包含从 0 到 9999 的文件

$python findFileNumbers.py
Enter file path: abc.log
Enter end file number: 10000

小文件的输出(同上例)

$python findFileNumbers.py
Enter file path: sample.log
Enter end file number: 5
[0, 2, 3]
[1, 4]

1. 我怎样才能让它适用于大文件？
2. 有没有比 Python 脚本更好的方法来获得这些结果？

提前致谢!

Answer 1

首先将现有的集合收集起来，然后寻找缺失的集合。

my_regex = re.compile('.*file.*(\d+)\.txt.*')
present_ones = set()
for line in open(filepath):
    match = my_regex.match(line)
    if match:
       present_ones.add(int(match.group(1)))
for num in range(...):
    if num not in present_ones:
        print("Missing" + num)

你的挂起的原因是你正在为每个数字检查整个文件。即 12MB * 10000 = 120GB 该脚本将通过 120GB，因此即使您将它放在 mmap 中它也会挂起。