如何在Python中实现更快的文件I / O?

How to achieve Faster File I/O In Python?

关于python,我有一个与速度/效率相关的问题:

我需要从一个嵌套的JSON文件中提取多个字段(在写入.txt文件后,它们有大约64k行,而当前代码段在大约9分钟内完成了这一操作)。其中每一行可以包含浮点数和字符串。

一般情况下,我只需要把我所有的数据放在numpy中,然后用np.savetxt()保存它。

我只是简单地把线组合成线,但这有点慢。到目前为止,我正在做:

  • 将每一行组装为一个字符串(从JSON中提取所需字段)
  • 将字符串写入相关文件

我对此有几个问题:-它会导致更多的单独的file.write()命令,这些命令也非常慢..(大约64k*8个调用(8个文件))。

所以我的问题是:

  • 对于这类问题,什么是好的惯例?为了最有效地写入磁盘而平衡speed vs memory-consumption的存储器。
  • 我应该增加我的DEFAULT_BUFFER_SIZE吗?(目前为8192)

我用每种编程语言和这个python org:i o检查过这个文件I/O,但是没有多大帮助,除了(在我了解之后,文件IO应该已经在python 3.6.x中进行了缓冲),我发现我的默认DEFAULT_BUFFER_SIZE8192

提前感谢您的帮助!!

这是我的片段-

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
def read_json_line(line=None):
    result = None
    try:        
        result = json.loads(line)
    except Exception as e:      
        # Find the offending character index:
        idx_to_replace = int(str(e).split(' ')[-1].replace(')',''))      
        # Remove the offending character:
        new_line = list(line)
        new_line[idx_to_replace] = ' '
        new_line = ''.join(new_line)    
        return read_json_line(line=new_line)
    return result

def extract_features_and_write(path_to_data, inp_filename, is_train=True):
    # It's currently having 8 lines of file.write(), which is probably making it slow as writing to disk is  involving a lot of overheads as well
    features = ['meta_tags__twitter-data1', 'url', 'meta_tags__article-author', 'domain', 'title', 'published__$date',\
                'content', 'meta_tags__twitter-description']

    prefix = 'train' if is_train else 'test'

    feature_files = [open(os.path.join(path_to_data,'{}_{}.txt'.format(prefix, feat)),'w', encoding='utf-8')
                    for feat in features]

    with open(os.path.join(PATH_TO_RAW_DATA, inp_filename),
              encoding='utf-8') as inp_json_file:
?
        for line in tqdm_notebook(inp_json_file):
            for idx, features in enumerate(features):
                json_data = read_json_line(line)  
?
                content = json_data['meta_tags']["twitter:data1"].replace('
'
, ' ').replace('
'
, ' ').split()[0]
                feature_files[0].write(content + '
'
)
?
                content = json_data['url'].split('/')[-1].lower()
                feature_files[1].write(content + '
'
)
?
                content = json_data['meta_tags']['article:author'].split('/')[-1].replace('@','').lower()
                feature_files[2].write(content + '
'
)
?
                content = json_data['domain']
                feature_files[3].write(content + '
'
)
?
                content = json_data['title'].replace('
'
, ' ').replace('
'
, ' ').lower()
                feature_files[4].write(content + '
'
)
?
                content = json_data['published']['$date']
                feature_files[5].write(content + '
'
)
?
                content = json_data['content'].replace('
'
, ' ').replace('
'
, ' ')
                content = strip_tags(content).lower()
                content = re.sub(r"[^a-zA-Z0-9]","", content)
                feature_files[6].write(content + '
'
)
?
                content = json_data['meta_tags']["twitter:description"].replace('
'
, ' ').replace('
'
, ' ').lower()
                feature_files[7].write(content + '
'
)


来自注释:

为什么您认为8次写入会导致8次物理写入硬盘?文件对象本身会缓冲要写入的内容,如果它决定写入您的操作系统,您的操作系统也可能会等待一段时间,直到它实际写入为止,即使这样,HarrDrives也会有缓冲区,可以将文件内容保留一段时间,直到它真正开始写入为止。看看python多长时间刷新一个文件?

您不应将异常用作控制流,也不应在不需要的地方递归。每一个递归都为函数调用准备新的调用堆栈——这需要资源和时间——而且所有的调用都必须恢复。

最好的做法是在将数据输入json.load()之前清理数据。接下来最好的方法是避免递归…尝试以下方法:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
def read_json_line(line=None):
    result = None

    while result is None and line: # empty line is falsy, avoid endless loop
        try:        
            result = json.loads(line)
        except Exception as e:
            result = None      
            # Find the offending character index:
            idx_to_replace = int(str(e).split(' ')[-1].replace(')',''))      
            # slice away the offending character:
            line = line[:idx_to_replace]+line[idx_to_replace+1:]

     return result