使用 Python 对文本文件进行排序

Question

我有一个文本文件包含超过1000万行。像这样的台词：

37024469;196672001;255.0000000000
37024469;196665001;396.0000000000
37024469;196664001;396.0000000000
37024469;196399002;85.0000000000
37024469;160507001;264.0000000000
37024469;160506001;264.0000000000

如您所见，分隔符是 ";"。 我想根据第二个元素使用 python 对这个文本文件进行排序。我无法使用拆分功能。因为它会导致内存错误。我该如何管理它？

Answer 1

不要对内存中的 1000 万行进行排序。改为将其拆分为分批：

• 运行 100 个 100k 行排序（使用文件作为迭代器，结合islice()或类似功能来选取批处理）。写出到其他地方的单独文件。

• 合并排序后的文件。这是一个合并生成器，您可以传递 100 个打开的文件，它将按排序顺序生成行。逐行写入新文件：

  import operator
  def mergeiter(*iterables, **kwargs):
      """Given a set of sorted iterables, yield the next value in merged order
      Takes an optional `key` callable to compare values by.
      """
      iterables = [iter(it) for it in iterables]
      iterables = {i: [next(it), i, it] for i, it in enumerate(iterables)}
      if 'key' not in kwargs:
          key = operator.itemgetter(0)
      else:
          key = lambda item, key=kwargs['key']: key(item[0])
      while True:
          value, i, it = min(iterables.values(), key=key)
          yield value
          try:
              iterables[i][0] = next(it)
          except StopIteration:
              del iterables[i]
              if not iterables:
                  raise
  

Answer 2

基于使用 Python 在 2MB RAM 中对一百万个 32 位整数进行排序：

import sys
from functools import partial
from heapq import merge
from tempfile import TemporaryFile
# define sorting criteria
def second_column(line, default=float("inf")):
    try:
        return int(line.split(";", 2)[1]) # use int() for numeric sort
    except (IndexError, ValueError):
        return default # a key for non-integer or non-existent 2nd column
# sort lines in small batches, write intermediate results to temporary files
sorted_files = []
nbytes = 1 << 20 # load around nbytes bytes at a time
for lines in iter(partial(sys.stdin.readlines, nbytes), []):
    lines.sort(key=second_column) # sort current batch
    f = TemporaryFile("w+")
    f.writelines(lines)
    f.seek(0) # rewind
    sorted_files.append(f)
# merge & write the result
sys.stdout.writelines(merge(*sorted_files, key=second_column))
# clean up
for f in sorted_files:
    f.close() # temporary file is deleted when it closes

自 Python 3.5 以来，heapq.merge() key参数。你可以尝试从Martijn Pieters的答案中mergeiter()，或者在旧的Python版本上进行Schwartzian变换：

iters = [((second_column(line), line) for line in file)
         for file in sorted_files] # note: this makes the sort unstable
sorted_lines = (line for _, line in merge(*iters))
sys.stdout.writelines(sorted_lines)

用法：

$ python sort-k2-n.py < input.txt > output.txt

Answer 3

您可以通过对 bash 函数sort的os.system()调用来完成此操作

sort -k2 yourFile.txt