Python处理大文件解压与读取:解决编码错误及性能优化
本文探讨Python中处理大文件解压与读取的常见问题,重点解决因编码格式不一致导致的解压失败。通过引入'ignore'参数规避严格编码检查,并对比不同读取方式的性能,验证了逐行读取处理百万级数据行的可行性与效率,为大数据文件操作提供参考。
首先需要澄清的是,这里所指的大文件并非指压缩包的原始体积巨大,而是指解压后的目标文件体积达到几百兆甚至更大。在实际操作中,常会遇到解压失败的情况,例如在读取小文件时一切正常,但一旦处理大文件便会出现错误。
def unzip_to_txt_plus(zipfilename):
zfile = zipfile.ZipFile(zipfilename, 'r')
for filename in zfile.namelist():
data = zfile.read(filename)
# data = data.decode('gbk').encode('utf-8')
data = data.decode('gbk', 'ignore').encode('utf-8')
file = open(filename, 'w+b')
file.write(data)
file.close()
if __name__ == '__main__':
zipfilename = "E:\\share\\python_excel\\zip_to_database\\20171025.zip"
unzip_to_txt_plus(zipfilename)
关键参数在于使用'ignore'选项,因为默认情况下Python采用严格编码模式,若不添加此参数,程序将直接报错。由于该函数已将文件内容转换为UTF-8编码,后续读取文件的操作得以顺利进行。以下展示了读取大文件的代码示例(已省略数据库相关部分)。
# - coding: utf-8 -
import csv
import linecache
import xlrd
import MySQLdb
def txt_todatabase(filename, linenum):
# with open(filename, "r", encoding="gbk") as csvfile:
# Read = csv.reader(csvfile)
# count =0
# for i in Read:
# # print(i)
# count += 1
# # print('hello')
# print(count)
count = linecache.getline(filename, linenum)
print(count)
# with open("new20171028.csv", "w", newline="") as datacsv:
# # dialect为打开csv文件的方式,默认是excel,delimiter="\t"参数指写入的时候的分隔符
# csvwriter = csv.writer(datacsv, dialect=("excel"))
# # csv文件插入一行数据,把下面列表中的每一项放入一个单元格(可以用循环插入多行)
# csvwriter.writerow(["A", "B", "C", "D"])
def bigtxt_read(filename):
with open(filename, 'r', encoding='utf-8') as data:
count =0
while 1:
count += 1
line = data.readline()
if 1000000 == count:
print(line)
if not line:
break
print(count)
if __name__ == '__main__':
filename = '20171025.txt'
txt_todatabase(filename, 1000000)
bigtxt_read(filename)
经过对比测试,两种方法的处理速度基本一致。对于包含两百万行的数据量,该方案完全能够胜任,没有明显的性能瓶颈。
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持本站。
本站声明
本文内容仅供参考,不代表本站观点。转载或引用请注明出处。如发现内容问题,请通过联系我们页面反馈。













