open()读取文件问题(假设思考题).

[zyb201314]

1, in.txt 文本文件非常非常大,(意为着不能一次读取到内存中).
2, in.txt 文件没有换行,都在一行内,意为着直接使用 readlines 无效.
3, in.txt 里内都是英文及标点符. 需要统计英文词频到 output.txt 文件.

问: 下面通过迭代器 iter()函数封装的代码,能否解决,上面内容不足问题? 如不能,该如何处理?若可以, 该如何验证,内存使用量. 请大佬指教,谢谢!!
代码如下:

from collections import defaultdict
import re

a=iter(re.split('[^\w]+',open("in.txt","r").read()))
#此条是否可避免使用内存过大?

d=defaultdict(int)
for b in a:
d[b]+=1

out=dict(sorted(d.items(),key=lambda x:x[1],reverse=True))

f=open("output.txt","w")
f.write(repr(out))
f.close()

[ysc3839]

不能，因为 f.read() 就会把整个文件读到内存。

[fuis]

我看到 split 和 read 就不看了

[zyb201314]

@ysc3839 谢回复

[liprais]

mmap 完事

[xpresslink]

建议分块读。
FILE_PATH = "/path/to/your/in.txt"
CHUNK_SIZE=1024*1024*64 #64M 块
def read_in_chunks(filePath, chunk_size):
□□□□file_object = open(filePath,'r',encoding='utf-8')
□□□□while True:
□□□□□□□□chunk_data = file_object.read(chunk_size)
□□□□□□□□if not chunk_data:
□□□□□□□□□□□□break
□□□□□□□□yield chunk_data


for chunk in read_in_chunks(FILE_PATH, CHUNK_SIZE):
□□□□handling_func(chunk)

有很少部分单词被块截断，如果要求非常高精确，自己再处理一下。

[neoblackcap]

自己写一个简单 parser 不就可以了？实际上内存使用量可以是一个最大单词长度的两倍（动态扩展）
这个问题不是跟处理 TCP 流一样吗？
你只要读一定量的数据进你分配的缓冲区（预分配），然后开始解析。
1.如果整个缓冲区都读完了但是还是未能解析出一个单词（ token ）那么就将缓冲区变为已有的两倍，继续读取内容并重复此步骤。
2.如果解析到缓冲区末端，但是不是结束符（我假定是空格符），那么就继续读取你缓冲区长度减去未解析字符长度的字符。
然后继续上面的流程，进行解析。但是有直到读到文件底部就可以了。

[autoxbc]

考虑一下换语言？ ry 大神新作 Deno，有个现成的函数直接对应你的需求

https://deno.land/std@0.83.0/io#readstringdelim
----------
readStringDelim

Read reader[like file] chunk by chunk, splitting based on delimiter.

import { readStringDelim } from "https://deno.land/std@0.83.0/io/mod.ts";
import * as path from "https://deno.land/std@0.83.0/path/mod.ts";

const filename = path.join(Deno.cwd(), "std/io/README.md");
let fileReader = await Deno.open(filename);

for await (let line of readStringDelim(fileReader, "\n")) {
console.log(line);
}

Output:

# std/io

## readLines

```ts
import * as path from "https://deno.land/std@0.83.0/path/mod.ts";

## Rest of the file

[zyb201314]

先谢过各大佬!

@liprais
稍后去了解.

@autoxbc
Python 学了近半年,算是新人吧，还没有精力了解别的语言哟~
@neoblackcap

学习了. 本人很菜,不知理解对不对.关于第 2 点,解析到缓冲区末端,如果不是符号,是否大概率英文词分两截?

@xpresslink
辛苦! 我想这种处理方案,应该是比较优解和大众吧.

[Latin]

with open('filename') as file:
for line in file:
do_things(line)

不换行也试试这个

[neoblackcap]

@zyb201314 有两种可能，一种是一个单词很长，你还没读完（截断了），第二种是你有可能读到单词最末尾的字符（刚刚好），两种情况都需要再读数据再解析

[AoEiuV020]

这种问题就明显感觉 java 系更合适了，java 自带的输入流就有各种各样的封装，python 只有整行读取，