如何在Python中实现更快的文件I/O？

关于Python，我有一个与速度/效率相关的问题：

我需要从一个嵌套的JSON文件中提取多个字段（在写入

.txt

文件后，它们有~64k行，当前代码段在~9分钟内完成），其中每一行都可以包含浮点数和字符串

通常，我只需将所有数据放入

numpy

中，然后使用

np.savetxt（）

保存它

我已经求助于简单地把线组装成线，但这相当缓慢。到目前为止，我正在做：

• 将每一行组合为字符串（从JSON中提取所需字段）
• 将字符串写入相关文件

我对此有几个问题：

• 这导致了更多独立的

  file.write（）

  命令，它们也非常慢（大约64k*8个调用（对于8个文件））

所以我的问题是：

• 什么是解决这类问题的好方法？一种平衡

  速度与内存消耗

  的方法，以实现最高效的磁盘写入
• 我应该增加我的

  默认缓冲区大小吗？（目前为8192）

我已经检查了这个和这个，但没有什么帮助，除了（根据我的理解，经过检查后，文件io应该已经在python 3.6.x中进行了缓冲），我发现我的默认

default\u BUFFER\u SIZE

是

8192

这是我的片段的一部分-

def read_json_line(line=None):
    result = None
    try:        
        result = json.loads(line)
    except Exception as e:      
        # Find the offending character index:
        idx_to_replace = int(str(e).split(' ')[-1].replace(')',''))      
        # Remove the offending character:
        new_line = list(line)
        new_line[idx_to_replace] = ' '
        new_line = ''.join(new_line)     
        return read_json_line(line=new_line)
    return result

def extract_features_and_write(path_to_data, inp_filename, is_train=True):
    # It's currently having 8 lines of file.write(), which is probably making it slow as writing to disk is  involving a lot of overheads as well
    features = ['meta_tags__twitter-data1', 'url', 'meta_tags__article-author', 'domain', 'title', 'published__$date',\
                'content', 'meta_tags__twitter-description']
    
    prefix = 'train' if is_train else 'test'
    
    feature_files = [open(os.path.join(path_to_data,'{}_{}.txt'.format(prefix, feat)),'w', encoding='utf-8')
                    for feat in features]
    
    with open(os.path.join(PATH_TO_RAW_DATA, inp_filename), 
              encoding='utf-8') as inp_json_file:
​
        for line in tqdm_notebook(inp_json_file):
            for idx, features in enumerate(features):
                json_data = read_json_line(line)  
​
                content = json_data['meta_tags']["twitter:data1"].replace('\n', ' ').replace('\r', ' ').split()[0]
                feature_files[0].write(content + '\n')
​
                content = json_data['url'].split('/')[-1].lower()
                feature_files[1].write(content + '\n')
​
                content = json_data['meta_tags']['article:author'].split('/')[-1].replace('@','').lower()
                feature_files[2].write(content + '\n')
​
                content = json_data['domain']
                feature_files[3].write(content + '\n')
​
                content = json_data['title'].replace('\n', ' ').replace('\r', ' ').lower()
                feature_files[4].write(content + '\n')
​
                content = json_data['published']['$date']
                feature_files[5].write(content + '\n')
​
                content = json_data['content'].replace('\n', ' ').replace('\r', ' ')
                content = strip_tags(content).lower()
                content = re.sub(r"[^a-zA-Z0-9]", " ", content)
                feature_files[6].write(content + '\n')
​
                content = json_data['meta_tags']["twitter:description"].replace('\n', ' ').replace('\r', ' ').lower()
                feature_files[7].write(content + '\n')

评论如下：

---

为什么您认为8次写入会导致8次物理写入硬盘？文件对象本身缓冲要写入的内容，如果它决定写入您的操作系统，您的操作系统可能会等待一段时间，直到它进行物理写入—即使这样，您的驱动器也会有缓冲区，可以将文件内容保留一段时间，直到它真正开始写入。看

---

您不应该将异常用作控制流，也不应该在不需要异常的地方递归。每个递归都为函数调用准备新的调用堆栈，这需要资源和时间，而且所有调用堆栈都必须还原

最好的做法是在将数据输入json.load（）之前清理数据。。。下一个最好的方法是避免递归。。。尝试以下几点：

def read_json_line(line=None):
    result = None

    while result is None and line: # empty line is falsy, avoid endless loop
        try:        
            result = json.loads(line)
        except Exception as e:
            result = None      
            # Find the offending character index:
            idx_to_replace = int(str(e).split(' ')[-1].replace(')',''))      
            # slice away the offending character:
            line = line[:idx_to_replace]+line[idx_to_replace+1:]

     return result

---

为什么您认为8次写入会导致8次物理写入硬盘？文件对象本身缓冲要写入的内容，如果它决定写入您的操作系统，您的操作系统可能会等待一段时间，直到它进行物理写入-即使这样，您的硬盘驱动器也有缓冲区，可以将文件内容保留一段时间，直到它真正开始写入…谢谢Patrick，我一定会检查它们，还有什么办法可以提高速度吗？我同意你的评论，但写64k行的9分钟时间仍然很慢，其中不超过30个单词（只有一个除外）