我正在尝试制作一个简单的脚本,快速处理嘈杂的CSV文件。我只是想从一个大型CSV文件(gzip)中抓取几列,并使用修剪后的数据编写一个新的CSV文件。还添加了一个简单的过滤方法,检查列的长度[0]== 15。
我比较了perl, java和python脚本,发现java比其他语言快得多。我想知道是否有任何其他方法可以优化这种简单的过程为每种语言?
每种语言的基准测试时间为(对于800MByte的gzip文件)1. Java: 74秒2. Python: 197秒3.Perl: 7分钟
Python:import gzip
import csv
import time
def getArray(row):
columns = [0,4,5,26,33,34,35,36,39,41,42,47,54,65,66,72,73,91]
row_filt = []
for i in columns:
row_filt.append(row[i])
return row_filt
filename = 'Very_large_csv.gz'
outfile = filename + '.csv'
csv.register_dialect('wifi', delimiter='|', quoting=csv.QUOTE_NONE, quotechar = '')
start_time = time.time()
try:
f = gzip.open(filename, 'rb')
f2 = open(outfile, 'wb')
reader = csv.reader(f, dialect = 'wifi')
writer = csv.writer(f2, dialect = 'wifi')
header = reader.next()
writer.writerow(getArray(header))
for row in reader:
if (len(row[0]) != 15):
continue
writer.writerow(getArray(row))
print(time.time() - start_time)
finally:
f.close()
Perl: use strict;
use warnings;
use Cwd;
use IO::Uncompress::Gunzip qw($GunzipError);
use Text::CSV_XS;
use Time::Piece;
use Time::Seconds;
my @COLUMNS = (0,4,5,26,33,34,35,36,39,41,42,47,54,65,66,72,73,91);
my $csv = Text::CSV_XS->new ({ binary => 1,
sep_char => '|',
escape_char => undef,
eol => "n",
quote_char => undef
});
my $infile='Very_large_csv.gz';
my $fh = IO::Uncompress::Gunzip->new($infile) or die "IO::Uncompress::Gunzip failed: $GunzipErrorn";
my $outfile = $infile . ".csv";
open my $out, ">", $outfile or die "$outfile: $!n";
my @header_row = split(/|/,<$fh>);
my @header = ();
foreach my $column (@COLUMNS)
{
push @header, $header_row[$column];
}
my $header_filter = @header;
$csv->print ($out, $header_filter);
print "Start.n";
while (my $row = $csv->getline($fh))
{
length($row->[0]) == 15 or next;
my @data = ();
foreach my $column (@COLUMNS)
{
push @data, $row->[$column];
}
my $row_filter = @data;
$csv->print($out, $row_filter);
}
$csv->eof or $csv->error_diag ();
close $fh;
close $out or die "$outfile: $!";
Java: public class NoiseFilter {
static final int[] columns = {0,4,5,26,33,34,35,36,39,41,42,47,54,65,66,72,73,91};
public static void main(String[] args) throws IOException {
fname='Very_large_csv.gz';
GZIPInputStream gzip = new GZIPInputStream(new FileInputStream(fname));
BufferedReader reader = new BufferedReader(new InputStreamReader(gzip));
String line = reader.readLine(); // Header
String[] header = line.split("\|");
PrintWriter ww = new PrintWriter(fname + ".csv");
printRow(header, ww);
while ((line = reader.readLine()) != null) {
String[] data = line.split("\|",-1);
if (data[0].length() != 15 ) { continue; }
printRow(data, ww);
}
ww.close();
reader.close();
}
private static void printRow(String[] row, PrintWriter writer) {
for (int i = 0; i < columns.length; i++) {
if (i == 0) {
writer.print(row[columns[i]]);
} else {
writer.print("|" + row[columns[i]]);
}
}
writer.print("n");
}
}
我对python代码进行了如下修改,得到了95秒的运行时间,可以与Java兼容。
def getArray(line):
string=''
row=line.split(',')
for i in columns:
string+=(row[i]+',')
return string+'n'
try:
f = gzip.open(filename, 'rb')
f2 = open(outfile, 'wb')
header = f.readline()
f2.write(getArray(header))
for line in f:
f2.write(getArray(line))
finally:
f.close()
可以在Perl脚本中优化某些内容。例如:
while (my $row = $csv->getline($fh))
{
length($row->[0]) == 15 or next;
my @data = ();
foreach my $column (@COLUMNS)
{
push @data, $row->[$column];
}
my $row_filter = @data;
$csv->print($out, $row_filter);
}
可以替换为:
my $row;
length($row->[0])==15 and $csv->print($out, [ @{$row}[@COLUMNS] ])
while $row = $csv->getline($fh);
…应该会表现得更好。我没有对它进行基准测试,但它不太可能产生巨大的差异。
更重要的是,Java代码更快的原因是做的少得多。Text::CSV_XS(我猜你也使用Python模块)是一个完整的解析器-它处理引号字段,转义字符等。考虑以下以管道分隔的文件,该文件旨在包含两行和两列:
1|"Foo+Bar"
2|"Foo|Bar"
您的Java代码天真地在管道上分割行,这意味着"Foo|Bar"应该是单个原子字符串值,而不是被分割成两个字段。如果Java代码做了与Perl和Python版本相同的检查,它就会变慢。
相反,您可以通过放弃适当的csv样式解析而只使用split
来加快Perl或Python版本。例如在Perl中:
while (<$fh>) {
chomp;
my @F = split /|/;
length $F[0] == 15 or next;
print {$out} join("|", @F[@COLUMNS]), "n";
}
您的整个脚本甚至可以使用以下一行代码完成:
gzip -d -c Very_large_csv.gz | perl -F'|' -lane 'print join("|", @F[0,4,5,26,33,34,35,36,39,41,42,47,54,65,66,72,73,91]) if $. == 1 || length($F[0]) == 15' > output.csv
解释:
交换机:
-
-F
:split()
模式-a
开关(//s可选) -
-l
:启用行结束处理 -
-a
:在空格上分割行并将它们加载到数组中@F
-
-n
:为每一行创建一个while(<>){...}
循环;在输入文件中。 -
-e
:告诉perl
在命令行上执行代码。
:
-
gzip -d -c Very_large_csv.gz
:解压文件,管道到STDOUT -
print join("|", @F[0,4,5,26,33,34,35,36,39,41,42,47,54,65,66,72,73,91])
:只保留CSV文件的部分索引 -
if $. == 1 || length($F[0]) == 15
:基于标题或第一列的过滤器
你的内循环中没有很多脂肪。在python版本中,每次调用getarray()时都要构造一个新的columns对象。由于getarray()函数本身非常简单,因此可以将整个函数内联。
不太可能有显著的加速。
您也可以尝试PyPy,它可能会产生相对较大的差异—尽管可能仍然不如Java版本快。