我有两个文本文件需要处理。这是我的情况:用python搜索大文件中字符串的更快方法
- 这两个文件非常大,一个是1.21 GB,另一个是1.1 GB。他们每个包含约3000多万行中文字符串。
- 每个文件中的每个字符串都是唯一的。
- 我不必修改这些文件,一旦它们被加载,它们就不会改变。
的一点是,这些文件中的一个已损坏。我们称之为N5。 N5应该有串的每一行看起来是这样的: 'A5 B5 C5 D5 E5 \ TF5'
相反,它是: 'a5b5 C5 D5 E5 \ TF5'
我从另一个文件试图恢复它,让我们把它N4,它看起来像这样: 'A4 B4 C4 D4 \ TF4'
我试图用N4至N5分离a5b5,这可能有三种结果做:
- 'a4 b4 c4 d4'等于'a5 b5 c5 d5'
- 'a4 b4 c4 d4'等于'b5 c5 d5 e5'
- N5中没有N4匹配。
在情况1和2,我可以得到答案。但是,在3中,大约需要140秒才能在N4中完成搜索。
我现在使用列表来存储N4和N5,下面是我的代码来比较它们。
# test data
N4 = ['a1 b1 c1 e1\t3', 'a2 b2 c2 e2\t2', 'c3 e3 f3 g3\t3']
N5 = ['a1b1 c1 e1 f1\t2', 'a2b c2 e2 f2\t1', 'b3c3 e3 f3 g3\t3']
# result stroage
list_result = []
list_result_no_none = []
counter_none = 0
list_len = len(N4)
for each_item in N5:
counter_list_len = 0
list_str_2 = str(each_item).split(' ')
list_str_2_2 = str(list_str_2[3]).split('\t')
str_list_str_2_0 = str(list_str_2[0])
for each_item in N4:
list_str_1 = str(each_item).split(' ')
list_str_1_2 = str(list_str_1[3]).split('\t')
# if n4 y == n5
if (str(list_str_1[0])+str(list_str_1[1]) == str(list_str_2[0]) and \
(str(list_str_1[2]) == str(list_str_2[1]) and \
(str(list_str_1_2[0]) == str(list_str_2[2])) and \
(str(list_str_1_2[1]) >= str(list_str_2_2[1])))) :
list_result.append(list_str_1[0] +' '+ list_str_1[1] +' '+ list_str_1[2] +' '+ list_str_1_2[0] +' '+ list_str_2[3])
list_result_no_none.append(list_str_1[0] +' '+ list_str_1[1] +' '+ list_str_1[2] +' '+ list_str_1_2[0] +' '+ list_str_2[3])
break
# if x n4 == n5
elif ((str(list_str_1[0]) in (str(list_str_2[0]))) and \
(str(list_str_1[1]) == str(list_str_2[1])) and \
(str(list_str_1[2]) == str(list_str_2[2])) and \
(str(list_str_1_2[0]) == str(list_str_2_2[0]) and \
(str(list_str_1_2[1]) >= str(list_str_2_2[1])))):
list_result.append(str_list_str_2_0[0:(str(list_str_2[0]).find(str(list_str_1[0])))]\
+' '+ str_list_str_2_0[(str(list_str_2[0]).find(str(list_str_1[0]))):len(list_str_2[0])]\
+' '+ list_str_1[1] +' '+ list_str_1[2] +' '+ list_str_2[3])
list_result_no_none.append(str_list_str_2_0[0:(str(list_str_2[0]).find(str(list_str_1[0])))]\
+' '+ str_list_str_2_0[(str(list_str_2[0]).find(str(list_str_1[0]))):len(list_str_2[0])]\
+' '+ list_str_1[1] +' '+ list_str_1[2] +' '+ list_str_2[3])
break
# not found
else:
counter_list_len += 1
if counter_list_len == list_len:
list_result.append('none' +' '+ list_str_2[0] +' '+ list_str_2[1] +' '+ list_str_2[2] +' '+ list_str_2[3])
counter_none += 1
print(list_result)
print(list_result_no_none)
print("Percentage of not found: %.2f" % ((100*(counter_none/len(N5)))) + '%')
它工作在小规模,然而,它需要在真实文件上运行的时间。
我是python的新手,在其他编程语言方面经验不多。所以如果我的问题看起来很愚蠢,我很抱歉。另外,我不是母语的人,所以对我英语不好的道歉。
不知道代码本身的功能(你在开始时忘记了缩进,你假设你的代码在你的文本编辑器中是正确的)。我认为,作为一个巨大的文件,通过将结果存储在列表中,您的RAM会变满,SO开始存储在硬盘上的虚拟内存中,速度会更慢!检查你的内存,如果这不是问题,请发表评论或更新你的问题。另外,不要对你的英语感到抱歉:有很多母语人士写着“我有更多的你”。 –
@LeonardoHerbas是的,它是我的文本编辑器上的标识。代码是拆分每个项目来自列表N5(我读取该文件并将其存储为N5)。例如,代码会将N5列表项'a5b5 c5 d5 e5 \ tf5'分散到'a5b5'c5''d5''e5''f5'中,并对N4执行相同的操作,然后将它们进行比较。 是的,它使用了大量的虚拟内存:差不多11 GB:( –
删除所有这些不必要的'str'-calls。 – Daniel