Python 如何从300GB文件中将一列提取到另一个文件
问题是数据量太大了,我不得不用我的个人笔记本电脑和12GB内存来完成。我试了一个1米的环。每轮换行,并使用csv.writer。但是csv.writer写了100万。每两小时排队一次。那么,还有其他值得尝试的方法吗Python 如何从300GB文件中将一列提取到另一个文件,python,pandas,csv,bigdata,readline,Python,Pandas,Csv,Bigdata,Readline,问题是数据量太大了,我不得不用我的个人笔记本电脑和12GB内存来完成。我试了一个1米的环。每轮换行,并使用csv.writer。但是csv.writer写了100万。每两小时排队一次。那么,还有其他值得尝试的方法吗 lines = 10000000 for i in range(0, 330): list_str = [] with open(file, 'r') as f: line
lines = 10000000
for i in range(0, 330):
list_str = []
with open(file, 'r') as f:
line_flag = 0
for _ in range(i*lines):
next(f)
for line in f:
line_flag = line_flag + 1
data = json.loads(line)['name']
if data != former_str:
list_str.append(data)
former_str = data
if line_flag == lines:
break
with open(self.path + 'data_range\\names.csv', 'a', newline='') as writeFile:
writer = csv.writer(writeFile, delimiter='\n')
writer.writerow(list_str)
writeFile.close()
另一个版本
def read_large_file(f):
block_size = 200000000
block = []
for line in f:
block.append(line[:-1])
if len(block) == block_size:
yield block
block = []
if block:
yield block
def split_files():
with open(write_file, 'r') as f:
i = 0
for block in read_large_file(f):
print(i)
file_name = write_name + str(i) + '.csv'
with open(file_name, 'w', newline='') as f_:
writer = csv.writer(f_, delimiter='\n')
writer.writerow(block)
i += 1
这是在它读了一段文字后。。。我想知道为什么数据传输率保持在0左右。
您喜欢这项工作吗 基本上是使用生成器来避免读取内存中的整个文件,并一次写入一行数据
import jsonlines # pip install jsonlines
from typing import Generator
def gen_lines(file_path: str, col_name: str) -> Generator[str]:
with jsonline.open(file_path) as f:
for obj in f:
yield obj[col_name]
# Here you can also change to writing a jsonline again
with open(output_file, "w") as out:
for item in gen_lines(your_file_path, col_name_to_extract):
out.write(f"{item}\n")
你喜欢这个工作吗 基本上是使用生成器来避免读取内存中的整个文件,并一次写入一行数据
import jsonlines # pip install jsonlines
from typing import Generator
def gen_lines(file_path: str, col_name: str) -> Generator[str]:
with jsonline.open(file_path) as f:
for obj in f:
yield obj[col_name]
# Here you can also change to writing a jsonline again
with open(output_file, "w") as out:
for item in gen_lines(your_file_path, col_name_to_extract):
out.write(f"{item}\n")
它应该是这么简单:
import json
import csv
with open(read_file, 'rt') as r, open(write_file, 'wt', newline='') as w:
writer = csv.writer(w)
for line in r:
writer.writerow([json.loads(line)['name']])
我尝试在文件内循环,但我总是得到一个错误,我猜我们无法在打开文件时将数据写入另一个文件
您完全可以在读取另一个文件的同时在一个文件中写入数据。不过,我不能告诉你更多关于你的错误的信息,除非你把它说的话发出去
您的代码中有一点关于前_str的内容未在“摘录一列”中介绍,因此我没有写任何关于它的内容。应该是这样简单的:
import json
import csv
with open(read_file, 'rt') as r, open(write_file, 'wt', newline='') as w:
writer = csv.writer(w)
for line in r:
writer.writerow([json.loads(line)['name']])
我尝试在文件内循环,但我总是得到一个错误,我猜我们无法在打开文件时将数据写入另一个文件
您完全可以在读取另一个文件的同时在一个文件中写入数据。不过,我不能告诉你更多关于你的错误的信息,除非你把它说的话发出去
你的代码中有一点关于以前的代码,这在“摘录一列”中没有涉及,所以我没有写任何东西。你能展示一下你尝试过的代码,它花了2个小时,排了一百万行吗?谢谢,是吗^^^我想让达斯克试试。良好的起点:由于反复重读已读的行,您的代码不必要地
O(N^2)
。打开文件一次,然后一次循环读取330行,然后处理该块。而且,我在任何地方都看不到csv.readline
;您似乎有一个JSONL输入文件。@Amadan我尝试了文件内的循环,但我总是得到一个错误,我猜我们无法在打开文件时将数据写入另一个文件?您能展示一下您尝试过的代码,它花费了2个小时处理了100万行吗?谢谢,是吗^^^我想让dask试试。良好的起点:由于反复重读已读的行,您的代码不必要地O(N^2)
。打开文件一次,然后一次循环读取330行,然后处理该块。而且,我在任何地方都看不到csv.readline
;您似乎有一个JSONL输入文件。@Amadan我尝试了文件内的循环,但总是得到一个错误,我猜我们无法在打开文件时将数据写入另一个文件?前一个字符串是比较两个字符串是否相同。你的代码完全解决了我的问题!谢谢!!但我想知道,实际上我的代码读得很快,只是csv.writer很慢,你知道原因是什么吗?“读得很快,只是csv.writer很慢”-你怎么知道的?因为我在每个循环中都打印了我,并在csv前后打印了一些字符串。writetheformer_str
用于比较两个字符串是否相同。你的代码完全解决了我的问题!谢谢!!但我想知道,实际上我的代码读得很快,只是csv.writer很慢,你知道原因是什么吗?“读得很快,只是csv.writer很慢”-你怎么知道的?因为我在每个循环中都打印了我,在csv.writeI尝试类似的版本之前和之后都打印了一些字符串,但都是一样的,阅读没有问题,但当它打算写时,一小时内没有反应:/I我也添加了上面的代码。我尝试了类似的版本,但它是一样的,阅读没有问题,但当它打算写时,一小时内没有反应:/I我也添加了上面的代码