如何对文本文件执行二进制搜索以在python中搜索关键字？

文本文件包含两列-索引号（5个空格）和字符（30个空格）。

---

它是按字典顺序排列的。我想执行二进制搜索来搜索关键字

考虑使用集合而不是二进制搜索来查找文件中的关键字

设置：

O（n）创建，O（1）查找，O（1）插入/删除

如果输入文件之间用空格分隔，则：

f = open('file')
keywords = set( (line.strip().split(" ")[1] for line in f.readlines()) )
f.close()    

my_word in keywords
<returns True or False>

---

你需要进行二进制搜索吗？如果没有，请尝试将平面文件转换为平面文件。这将为您提供非常快速的哈希查找，以查找给定单词的索引：

import cdb

# convert the corpus file to a constant database one time
db = cdb.cdbmake('corpus.db', 'corpus.db_temp')
for line in open('largecorpus.txt', 'r'):
    index, word = line.split()
    db.add(word, index)
db.finish()

在单独的脚本中，对其运行查询：

import cdb
db = cdb.init('corpus.db')
db.get('chaos')
12345

---

下面是一种使用Python内置的对分模块实现这一点的有趣方法

import bisect
import os


class Query(object):

    def __init__(self, query, index=5):
        self.query = query
        self.index = index

    def __lt__(self, comparable):
        return self.query < comparable[self.index:]


class FileSearcher(object):

    def __init__(self, file_pointer, record_size=35):
        self.file_pointer = file_pointer
        self.file_pointer.seek(0, os.SEEK_END)
        self.record_size = record_size + len(os.linesep)
        self.num_bytes = self.file_pointer.tell()
        self.file_size = (self.num_bytes // self.record_size)

    def __len__(self):
        return self.file_size

    def __getitem__(self, item):
        self.file_pointer.seek(item * self.record_size)
        return self.file_pointer.read(self.record_size)


if __name__ == '__main__':
    with open('data.dat') as file_to_search:
        query = raw_input('Query: ')
        wrapped_query = Query(query)

        searchable_file = FileSearcher(file_to_search)
        print "Located @ line: ", bisect.bisect(searchable_file, wrapped_query)

导入对分 导入操作系统 类查询（对象）： 定义初始化（self，查询，索引=5）： self.query=query self.index=索引 定义（自身，可比）： 返回self.query如果需要在文件中查找单个关键字：

line_with_keyword = next((line for line in open('file') if keyword in line),None)
if line_with_keyword is not None: 
   print line_with_keyword # found

要查找多个关键字，可以使用

set（）

作为：

您可以使用上面的

dict（）

而不是

set（）

来保存

index

信息

以下是如何对文本文件进行二进制搜索：

import bisect

lines = open('file').readlines() # O(n) list creation
keywords = map(extract_keyword, lines) 
i = bisect.bisect_left(keywords, keyword) # O(log(n)) search
if keyword == keywords[i]:
   print(lines[i]) # found

与

set（）

变体相比没有优势

---

注意：除第一个变量外，所有变量都会将整个文件加载到内存中。不需要将整个文件加载到内存中。

通过重复对分范围，并向前读取行终止符，可以对具有未知长度记录的已排序文本文件执行二进制搜索，但会稍微降低效率。下面是我通过csv文件查找的内容，该文件在第一个字段中有两个数字标题行。给它一个打开的文件和第一个要查找的字段。针对您的问题修改此选项应该相当容易。偏移量为零的第一行上的匹配将失败，因此可能需要特殊情况。在我的情况下，前两行是标题，被跳过

请原谅我在下面缺少精光的蟒蛇。我使用这个函数和一个类似的函数，直接从Maxmind分发的CSV文件执行GeoCity Lite纬度和经度计算

希望这有帮助

========================================

# See if the input loc is in file 
def look1(f,loc):
# Compute filesize of open file sent to us
hi = os.fstat(f.fileno()).st_size
lo=0
lookfor=int(loc)
# print "looking for: ",lookfor
while hi-lo > 1:
    # Find midpoint and seek to it
    loc = int((hi+lo)/2)
    # print " hi = ",hi," lo = ",lo
    # print "seek to: ",loc
    f.seek(loc)
    # Skip to beginning of line
    while f.read(1) != '\n':
        pass
    # Now skip past lines that are headers
    while 1:
        # read line
        line = f.readline()
        # print "read_line: ", line
        # Crude csv parsing, remove quotes, and split on ,
        row=line.replace('"',"")
        row=row.split(',')
        # Make sure 1st fields is numeric
        if row[0].isdigit():
            break
    s=int(row[0])
    if lookfor < s:
        # Split into lower half
        hi=loc
        continue
    if lookfor > s:
        # Split into higher half
        lo=loc
        continue
    return row  # Found
# If not found
return False

#查看输入loc是否在文件中
def look1（f，loc）：
#计算发送给我们的打开文件的文件大小
hi=os.fstat（f.fileno（））.st\u size
lo=0
查找=int（loc）
#打印“查找：”，查找
当hi-lo>1时：
#找到中间点并寻找它
loc=int（（高+低）/2）
#打印“hi=”，hi，“lo=”，lo
#打印“搜索到：”，loc
f、 搜索（loc）
#跳到行首
而f读（1）！='\n'：
通过
#现在跳过标题行
而1：
#读线
line=f.readline（）
#打印“读取行：”，行
#粗csv解析、删除引号并在上拆分，
行=行。替换（“，”）
行=行。拆分（'，'）
#确保第一个字段是数字
如果行[0]。isdigit（）：
打破
s=int（第[0]行）
如果查找s：
#分成上半部分
lo=loc
持续
返回行#找到
#如果找不到
返回错误

我编写了一个简单的Python3.6+包，可以做到这一点。（有关更多信息，请参阅其页面！）

安装：

pip安装二进制文件\u搜索

示例文件：

1,one
2,two_a
2,two_b
3,three

用法：

from binary_file_search.BinaryFileSearch import BinaryFileSearch
with BinaryFileSearch('example.file', sep=',', string_mode=False) as bfs:
    # assert bfs.is_file_sorted()  # test if the file is sorted.
    print(bfs.search(2))

---

结果：

[[2'，two_a']，[2'，two_b']

是每行的行长常量吗？您提到的是“空格”。您是指值之间的空格还是“索引编号为5个字符”和“数据为30个字符”？是的。每行的行长都是常量…我是指后者。“索引编号为5个字符”和“数据为30个字符？按所述的“列”“分开？这个问题是因为克里加谈到了分离空间。这两列之间有什么？他们没有空间接触吗？找到关键字后，您想做什么？您能将整个文件加载到内存中吗？还是太大了？谢谢您的帮助！我试图运行此代码，但列表“关键字”没有任何元素。它为空。@请检查我的编辑。还要检查文件是否正确打开等。对于f.readlines（）中的行：print linehey，但O（n）是否比O（log n）贵？？我需要在一个巨大的语料库上运行它。要在字典中查找键或检查对象是否在集合中，它是O（1），O（n）是集合或dict的创建，二叉树是O（n log n）用于创建。+1：它不需要在内存中加载整个文件，在这种情况下，二叉搜索是合理的。+1；如果每个“记录”也包含一个换行符，则建议的

记录大小应为36。这非常有效-请注意，您得到的是最后一条记录，而不是第一条记录。如果你想第一次使用左对分。您还必须更改包装器类来包装文件中的数据，因为它将切换comparisonNote
# See if the input loc is in file 
def look1(f,loc):
# Compute filesize of open file sent to us
hi = os.fstat(f.fileno()).st_size
lo=0
lookfor=int(loc)
# print "looking for: ",lookfor
while hi-lo > 1:
    # Find midpoint and seek to it
    loc = int((hi+lo)/2)
    # print " hi = ",hi," lo = ",lo
    # print "seek to: ",loc
    f.seek(loc)
    # Skip to beginning of line
    while f.read(1) != '\n':
        pass
    # Now skip past lines that are headers
    while 1:
        # read line
        line = f.readline()
        # print "read_line: ", line
        # Crude csv parsing, remove quotes, and split on ,
        row=line.replace('"',"")
        row=row.split(',')
        # Make sure 1st fields is numeric
        if row[0].isdigit():
            break
    s=int(row[0])
    if lookfor < s:
        # Split into lower half
        hi=loc
        continue
    if lookfor > s:
        # Split into higher half
        lo=loc
        continue
    return row  # Found
# If not found
return False

1,one
2,two_a
2,two_b
3,three

from binary_file_search.BinaryFileSearch import BinaryFileSearch
with BinaryFileSearch('example.file', sep=',', string_mode=False) as bfs:
    # assert bfs.is_file_sorted()  # test if the file is sorted.
    print(bfs.search(2))