- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
所以最近我一直在制作一个 python 脚本,用于从大型文本文件 ( > 1 GB ) 中提取数据。问题基本上归结为从文件中选择文本行,并在其中搜索某个数组中的字符串(该数组中可以包含多达 1000 个字符串)。这里的问题是我必须找到该字符串的特定出现,并且该字符串可能会在该文件中出现无限次。此外,还需要一些解码和编码,这会额外减慢脚本速度。代码看起来像这样:
strings = [a for a in open('file.txt')]
with open("er.txt", "r") as f:
for chunk in f:
for s in strings
#do search, trimming, stripping ..
我的问题是:有没有办法优化这个?我尝试了多处理,但它帮助不大(或者至少是我实现它的方式)这里的问题是这些 block 操作不是独立的,并且 strings
列表可能会在其中一个过程中被改变。任何优化都会有所帮助(字符串搜索算法、文件读取等)我在循环中断方面做了尽可能多的工作,但它仍然运行得很慢。
最佳答案
如果您能准确知道字符串是如何以二进制(ASCII、UTF-8)编码的,则可以 mmap
一次将整个文件存入内存;它的行为与通过 file.read()
获取的大型 bytearray/bytes
(或 Python 2 中的 str
)完全一样;那么这样的 mmap
对象将可以通过 str
正则表达式(Python 2)或 bytes
正则表达式(Python 3)搜索。
mmap
是许多操作系统上最快的解决方案,因为只读映射意味着操作系统可以在页面准备就绪时自由映射;不需要交换空间,因为数据由文件支持。操作系统还可以通过零复制直接映射缓冲区高速缓存中的数据 - 因此与裸读相比是双赢的。
例子:
import mmap
import re
pattern = re.compile(b'the ultimate answer is ([0-9]+)')
with open("datafile.txt", "rb") as f:
# memory-map the file, size 0 means whole file
mm = mmap.mmap(f.fileno(), 0, prot=mmap.PROT_READ)
# PROT_READ only on *nix as the file is not writable
for match in pattern.finditer(mm):
# process match
print("The answer is {}".format(match.group(1).decode('utf8')))
mm.close()
现在,如果 datafile.txt
包含文本:
the ultimate answer is 42
在 1 GB 数据的某个地方,这个程序将是最快的 python 解决方案之一:
The answer is 42
注意 pattern.finditer
还接受可用于限制尝试匹配范围的 start
和 end
参数。
如 ivan_pozdeev 所述,这需要 1 GB 的可用虚拟地址空间来映射 GB 文件(但不一定是 1 GB 的 RAM),这在 32 位进程中可能很困难,但几乎可以肯定地认为在 64 位上“没有问题”位操作系统和CPU。在 32 位进程上,该方法仍然有效,但您需要将大文件映射为较小的 block - 因此现在操作系统和处理器的位非常重要。
关于Python字符串处理优化,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/28643919/
对于 Metal ,如果对主纹理进行 mipmap 处理,是否还需要对多采样纹理进行 mipmap 处理?我阅读了苹果文档,但没有得到任何相关信息。 最佳答案 Mipmapping 适用于您将从中
我正在使用的代码在后端 Groovy 代码中具有呈现 GSP(Groovy 服务器页面)的 Controller 。对于前端,我们使用 React-router v4 来处理路由。我遇到的问题是,通过
我们正在 build 一个巨大的网站。我们正在考虑是在服务器端(ASP .Net)还是在客户端进行 HTML 处理。 例如,我们有 HTML 文件,其作用类似于用于生成选项卡的模板。服务器端获取 HT
我正在尝试将图像加载到 void setup() 中的数组中,但是当我这样做时出现此错误:“类型不匹配,'processing .core.PImage' does not匹配“processing.
我正在尝试使用其私有(private)应用程序更新 Shopify 上的客户标签。我用 postman 尝试过,一切正常,但通过 AJAX,它带我成功回调而不是错误,但成功后我得到了身份验证链接,而不
如何更改我的 Processing appIconTest.exe 导出的默认图标在窗口中的应用程序? 默认一个: 最佳答案 经过一些研究,我能找到的最简单的解决方案是: 进入 ...\process
我在 Processing 中做了一个简单的小游戏,但需要一些帮助。我有一个 mp3,想将它添加到我的应用程序中,以便在后台循环运行。 这可能吗?非常感谢。 最佳答案 您可以使用声音库。处理已经自带
我有几个这样创建的按钮: 在 setup() PImage[] imgs1 = {loadImage("AREA1_1.png"),loadImage("AREA1_2.png"),loadImage
我正在尝试使用 Processing 创建一个多人游戏,但无法弄清楚如何将屏幕分成两个以显示玩家的不同情况? 就像在 c# 中一样,我们有Viewport leftViewport,rightView
我一直在尝试使用 Moore 邻域在处理过程中创建元胞自动机,到目前为止非常成功。我已经设法使基本系统正常工作,现在我希望通过添加不同的功能来使用它。现在,我检查细胞是否存活。如果是,我使用 fill
有没有办法用 JavaScript 代码检查资源使用情况?我可以检查脚本的 RAM 使用情况和 CPU 使用情况吗? 由于做某事有多种方法,我可能会使用不同的方法编写代码,并将其保存为两个不同的文件,
我想弄清楚如何处理这样的列表: [ [[4,6,7], [1,2,4,6]] , [[10,4,2,4], [1]] ] 这是一个整数列表的列表 我希望我的函数将此列表作为输入并返回列表中没有重复的整
有没有办法在不需要时处理 MethodChannel/EventChannel ?我问是因为我想为对象创建多个方法/事件 channel 。 例子: class Call { ... fields
我有一个关于在 Python3 中处理 ConnectionResetError 的问题。这通常发生在我使用 urllib.request.Request 函数时。我想知道如果我们遇到这样的错误是否可
我一直在努力解决这个问题几个小时,但无济于事。代码很简单,一个弹跳球(粒子)。将粒子的速度初始化为 (0, 0) 将使其保持上下弹跳。将粒子的初始化速度更改为 (0, 0.01) 或任何十进制浮点数都
我把自己弄得一团糟。 我想在我的系统中添加 python3.6 所以我决定在我的 Ubuntu 19.10 中卸载现有的。但是现在每次我想安装一些东西我都会得到这样的错误: dpkg: error w
我正在努力解决 Rpart 包中的 NA 功能。我得到了以下数据框(下面的代码) Outcome VarA VarB 1 1 1 0 2 1 1 1
我将 Java 与 JSF 一起使用,这是 Glassfish 3 容器。 在我的 Web 应用程序中,我试图实现一个文件(图像)管理系统。 我有一个 config.properties我从中读取上传
所以我一直在Processing工作几个星期以来,虽然我没有编程经验,但我已经转向更复杂的项目。我正在编写一个进化模拟器,它会产生具有随机属性的生物。 最终,我将添加复制,但现在这些生物只是在屏幕上漂
有人知道 Delphi 2009 对“with”的处理有什么不同吗? 我昨天解决了一个问题,只是将“with”解构为完整引用,如“with Datamodule、Dataset、MainForm”。
我是一名优秀的程序员,十分优秀!