Python如何讀取大文件的"坑“與內存占用檢測

這篇文章主要介紹Python如何讀取大文件的"坑“與內存占用檢測，文中介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們一定要看完！

python讀寫文件的api都很簡單，一不留神就容易踩”坑“。下面記錄一次踩坑歷程，并且給了一些總結，希望到大家在使用python的過程之中，能夠避免一些可能產生隱患的代碼。

1.read()與readlines()

隨手搜索python讀寫文件的教程，很經常看到read()與readlines()這對函數。所以我們會常常看到如下代碼：

with open(file_path, 'rb') as f:
    sha1Obj.update(f.read())
or
with open(file_path, 'rb') as f:
    for line in f.readlines():
        print(line)

這對方法在讀取小文件時確實不會產生什么異常，但是一旦讀取大文件，很容易會產生MemoryError，也就是內存溢出的問題。

我們首先來看看這兩個方法：

當默認參數size=-1時，read方法會讀取直到EOF，當文件大小大于可用內存時，自然會發生內存溢出的錯誤。

read方法

read([size])方法從文件當前位置起讀取size個字節，若無參數size，則表示讀取至文件結束為止，它范圍為字符串對象

同樣的，readlines會構造一個list。list而不是iter，所以所有的內容都會保存在內存之上，同樣也會發生內存溢出的錯誤。

readlines方法

該方法每次讀出一行內容，所以，讀取時占用內存小，比較適合大文件，該方法返回一個字符串對象。

2.正確的用法

在實際運行的系統之中如果寫出上述代碼是十分危險的，這種”坑“十分隱蔽。所以接下來我們來了解一下正確用，正確的用法也很簡單，依照API之中對函數的描述來進行對應的編碼就OK了：

如果是二進制文件推薦用如下這種寫法，可以自己指定緩沖區有多少byte。顯然緩沖區越大，讀取速度越快。

with open(file_path, 'rb') as f:
    while True:
        buf = f.read(1024)
        if buf:    
            sha1Obj.update(buf)
        else:
            break

而如果是文本文件，則可以用readline方法或直接迭代文件（python這里封裝了一個語法糖，二者的內生邏輯一致，不過顯然迭代文件的寫法更pythonic ）每次讀取一行，效率是比較低的。筆者簡單測試了一下，在3G文件之下，大概性能和前者差了20%.

with open(file_path, 'rb') as f:
    while True:
        line = f.readline()
        if buf:    
            print(line)
        else:
            break
with open(file_path, 'rb') as f:
    for line in f:
        print(line)

3.內存檢測工具的介紹

對于python代碼的內存占用問題，對于代碼進行內存監控十分必要。這里筆者這里推薦兩個小工具來檢測python代碼的內存占用。

首先先用pip安裝memory_profiler

pip install memory_profiler

memory_profiler是利用python的裝飾器工作的，所以我們需要在進行測試的函數上添加裝飾器

from hashlib import sha1
import sys
@profile
def my_func():
    sha1Obj = sha1()
    with open(sys.argv[1], 'rb') as f:
        while True:
            buf = f.read(10 * 1024 * 1024)
            if buf:
                sha1Obj.update(buf)
            else:
                break
    print(sha1Obj.hexdigest())
if __name__ == '__main__':
    my_func()

guppy

依樣畫葫蘆，仍然是通過pip先安裝guppy

pip install guppy

之后可以在代碼之中利用guppy直接打印出對應各種python類型（list、tuple、dict等）分別創建了多少對象，占用了多少內存。

from guppy import hpy
import sys
def my_func():
    mem = hpy()
    with open(sys.argv[1], 'rb') as f:
        while True:
            buf = f.read(10 * 1024 * 1024)
            if buf:
                print(mem.heap())
            else:
                break

通過上述兩種工具guppy與memory_profiler可以很好地來監控python代碼運行時的內存占用問題。

以上是Python如何讀取大文件的"坑“與內存占用檢測的所有內容，感謝各位的閱讀！希望分享的內容對大家有幫助，更多相關知識，歡迎關注億速云行業資訊頻道！