Python 查找无法容纳内存的大文件中出现的字符串
我被要求在一个10GB大、1GB内存的大文件中查找字符串“And”的出现次数。我将如何有效地完成它。我回答说,我们需要读取每个100MB内存块中的文件,然后找到每个内存块中出现的“and”的总数,并保留字符串“and”的累积计数。面试官对我的回答不满意,他告诉我grep命令在unix中是如何工作的。写一个类似于python的代码,但我不知道答案。我将非常感谢您回答这个问题。如果您使用,您可以访问一个大文件并进行处理 简单的grep命令Python 查找无法容纳内存的大文件中出现的字符串,python,bigdata,Python,Bigdata,我被要求在一个10GB大、1GB内存的大文件中查找字符串“And”的出现次数。我将如何有效地完成它。我回答说,我们需要读取每个100MB内存块中的文件,然后找到每个内存块中出现的“and”的总数,并保留字符串“and”的累积计数。面试官对我的回答不满意,他告诉我grep命令在unix中是如何工作的。写一个类似于python的代码,但我不知道答案。我将非常感谢您回答这个问题。如果您使用,您可以访问一个大文件并进行处理 简单的grep命令 def command(f): def g(file
def command(f):
def g(filenames, **kwa):
lines = readfiles(filenames)
lines = (outline for line in lines for outline in f(line, **kwa))
# lines = (line for line in lines if line is not None)
printlines(lines)
return g
def readfiles(filenames):
for f in filenames:
for line in open(f):
yield line
def printlines(lines):
for line in lines:
print line.strip("\n")
@command
def grep(line, pattern):
if pattern in line:
yield line
if __name__ == '__main__':
import sys
pattern = sys.argv[1]
filenames = sys.argv[2:]
grep(filenames, pattern=pattern)
迭代文件,返回行。在这种情况下,这很容易,因为搜索字符串不包含行尾字符,所以我们不需要担心跨行的匹配
with open("file.txt") as fin:
print sum(line.count('And') for line in fin)
在每行使用str.count
>>> help(str.count)
Help on method_descriptor:
count(...)
S.count(sub[, start[, end]]) -> int
Return the number of non-overlapping occurrences of substring sub in
string S[start:end]. Optional arguments start and end are interpreted
as in slice notation.
>>>帮助(str.count)
有关方法\u描述符的帮助:
计数(…)
S.count(sub[,start[,end]])->int
返回子字符串sub在中不重叠的出现次数
字符串S[开始:结束]。解释可选参数start和end
如切片表示法。
可能会有帮助。如果你不是逐行阅读,别忘了检查边界