[PYTHON] Trier les gros fichiers texte

Est-ce généralement comme ça?

Normalement, la méthode suivante est utilisée, mais elle consomme de la mémoire pour la taille du fichier.

with open('/path/to/not-sorted-file', 'r') as fr:
    new_lines = sorted(fr.readlines()) #Développer en mémoire pour la taille du fichier

with open('/path/to/sorted-file', 'wb') as fw:
    fw.write(''.join(new_lines))

Correspond à la grande taille

J'ai écrit une fonction. Je fais quelque chose comme ↓.

Lisez le fichier ligne par ligne
Enregistrez les éléments suivants pour chaque ligne et rassemblez-les dans une liste

Valeur de décalage de fichier sur chaque ligne
Sous-chaîne de chaque ligne à utiliser comme condition de comparaison de tri

Triez la liste des n ° 2
Rouvrez le fichier fr
Ouvrez le fichier de l'écrivain fw
Accédez à la liste de # 3 et déplacez la position du fichier fr vers l'emplacement de la valeur de décalage du fichier.
line = fr.readline ()
`` fw.write (ligne) ''

Cette méthode consomme de la mémoire pour "sous-chaîne x nombre de lignes" (; _;)

import os
import uuid
import tempfile

def sort_large_file(filename, key=lambda l: l[:5]):
    '''
    sort large file without on-memory.

    :param str filename: abspath of file.
    :param function key: the function makes sort-key from a line.
    '''
    #Enregistrez le fichier avant de trier.
    tmpname = os.path.join(tempfile.gettempdir(), 'sortlargefile_%s' % (uuid.uuid4().get_hex()))
    os.rename(filename, tmpname)

    # make a list of offsets.
    offset_list = []
    with open(tmpname, 'r') as fr:
        while True:
            offset = fr.tell()
            line = fr.readline()
            if not line:
                break

            keyword = key(line)
            offset_list.append((keyword, offset, ))

    # sort offsets.
    offset_list.sort(key=lambda e: e[0])

    # sort (write to new file).
    with open(filename, 'wb') as fw, open(tmpname, 'r') as fr:
        for keyword, offset in offset_list:
            fr.seek(offset)
            line = fr.readline()
            fw.write(line)

    # remove tmp.
    os.remove(tmpname)

Essayez en fait

Appelez la fonction comme suit.

Le premier argument est le chemin du fichier à trier.
Le deuxième argument est une fonction qui "prend une ligne comme argument et renvoie une sous-chaîne qui est une condition de comparaison pour le tri".
Ici, un lambda qui coupe l'élément de la première colonne de la ligne CSV est donné.

> sort_large_file('/path/to/your/file', lambda l: l[:l.find(',')])

↓ Ceci est le CSV original.

2016-10-01,apple,red
2016-09-29,orange,orange
2015-12-21,banana,yellow

La fonction sort_large_file () nécessite également un saut de ligne sur la dernière ligne.

↓ Il sera trié comme ceci.

2015-12-21,banana,yellow
2016-09-29,orange,orange
2016-10-01,apple,red