怎样在Python中利用生成器表达式处理GB级别文本文件以防内存溢出

老萱君_7113

老萱君_7113

2026-11-17

427人浏览

原创

生成器表达式不能直接安全读文件,需封装为带with语句的生成器函数以确保文件及时关闭、正确编码和行处理;超长行应按块读取并手动拆分;管道处理宜合并为单生成器而非多层map/filter;合并多文件用yield from更轻量高效。

怎样在python中利用生成器表达式处理gb级别文本文件以防内存溢出

生成器表达式本身不能直接读文件,得配 open() + yield

很多人误以为写个 (line.strip() for line in open("big.txt")) 就万事大吉——其实这会把整个文件句柄留在内存里,且没异常保护,文件可能不关闭。更糟的是,如果后续用 list() 包一层(比如调试时随手加的),立刻触发全量加载,GB 文件秒变 MemoryError。

正确做法是自己封装成生成器函数:

def read_lines(filepath):
    with open(filepath, encoding="utf-8") as f:
        for line in f:
            yield line.rstrip("\n\r")
  • with 确保文件句柄及时释放,哪怕中途 break 或抛异常
  • 用 rstrip("\n\r") 而非 strip(),避免误删行首尾空格/制表符(文本处理中常需保留缩进)
  • 显式指定 encoding,否则在 Windows 上默认 cp1252,遇到 UTF-8 中文直接 UnicodeDecodeError

逐块读取比逐行更稳:用 iter() + readline 防止超长行撑爆内存

有些日志或 CSV 导出文件里混着几 MB 一行的 base64 字段,for line in f 会把整行读进内存,生成器也救不了你。

这时该切回“按字节块”读,再手动拆行:

def read_lines_by_chunk(filepath, chunk_size=8192):
    buffer = ""
    with open(filepath, "rb") as f:  # 二进制模式避编码问题
        while True:
            chunk = f.read(chunk_size)
            if not chunk:
                break
            buffer += chunk.decode("utf-8", errors="ignore")
            lines = buffer.split("\n")
            buffer = lines.pop()  # 留下未结束的行
            for line in lines:
                yield line
    if buffer:  # 文件末尾无换行符时
        yield buffer
  • errors="ignore" 比 "replace" 更适合脏数据场景,避免把解码失败处变成 影响后续正则匹配
  • chunk_size 设为 8KB 是经验平衡点:太小(如 1B)系统调用开销大;太大(如 1MB)单次读仍可能溢出
  • 注意返回的是 str,不是 bytes,下游逻辑不用再 decode

管道式处理别用 map() 套多层,优先写成单生成器

看到 “先去空行、再分词、再过滤停用词”,容易本能写成:

lines = read_lines("big.txt")
no_empty = filter(bool, lines)
tokens = map(lambda x: x.split(), no_empty)
filtered = map(lambda xs: [w for w in xs if w not in stops], tokens)

这看似惰性,但 Python 的 map 和 filter 在 CPython 中实际是用 C 实现的闭包,每层都引入额外函数调用和对象包装开销,对 GB 文件累计可观延迟,且调试时无法在中间断点。

Python 环境工具基础版
Python 环境工具基础版

管理 Python 项目环境,支持虚拟环境创建、依赖安装与环境诊断

下载

更直白、可控的做法是合并到一个生成器里:

def process_text(filepath, stops=None):
    stops = stops or set()
    for line in read_lines(filepath):
        if not line:
            continue
        words = line.split()
        yield [w for w in words if w not in stops]
  • 逻辑集中,增删字段、加日志、插 print(f"line {i}: {line[:50]}") 都方便
  • 避免嵌套生成器导致的 GeneratorExit 异常传播混乱(尤其配合 timeout 或 concurrent.futures 时)
  • 若需复用某步(如统一编码清洗),抽成独立生成器函数即可,不强求链式

yield from 是拼接多个大文件的干净写法

要合并 10 个各 2GB 的日志文件做统一分析?别用 itertools.chain(*[read_lines(f) for f in files]) —— 列表推导式会提前实例化全部 10 个生成器对象,虽不加载内容,但对象本身占内存,且 chain 内部状态管理稍重。

用 yield from 更轻量:

def cat_files(filepaths):
    for path in filepaths:
        yield from read_lines(path)  # 直接委托,无中间容器
  • yield from 是 Python 3.3+ 特性,兼容性没问题;它把子生成器的 send()/throw() 透传,适合需要协程交互的场景
  • 如果某个文件打不开,异常会原样抛出,位置清晰;而 chain 在迭代到那个文件时才报错,堆栈更深
  • 注意:不要在 yield from 后面再写 yield,CPython 会警告 SyntaxWarning: 'yield' inside generator expression

真正卡住人的往往不是生成器语法,而是忘记检查原始数据里的边界情况:超长行、BOM 头、混合编码、空文件、权限拒绝。写完生成器后,先用 head -n 100 big.txt > test.txt 做小样本验证,再上真数据。

Python免费学习笔记(深入):立即使用
在学习笔记中,你将探索 Python 的核心概念和高级技巧!

相关文章

PHP速学视频免费教程(入门到精通)
PHP速学视频免费教程(入门到精通)

PHP怎么学习?PHP怎么入门?PHP在哪学?PHP怎么学才快?不用担心,这里为大家提供了PHP速学教程(入门到精通),有需要的小伙伴保存下载就能学习啦!

下载

相关标签:

python

本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn

相关专题

更多
python打包成可执行文件
python打包成可执行文件

本专题为大家带来python打包成可执行文件相关的文章,大家可以免费的下载体验。

2023.07.20

1931

4

python能做什么
python能做什么

python能做的有:可用于开发基于控制台的应用程序、多媒体部分开发、用于开发基于Web的应用程序、使用python处理数据、系统编程等等。本专题为大家提供python相关的各种文章、以及下载和课程。

2023.07.25

5504

7

format在python中的用法
format在python中的用法

Python中的format是一种字符串格式化方法,用于将变量或值插入到字符串中的占位符位置。通过format方法,我们可以动态地构建字符串,使其包含不同值。php中文网给大家带来了相关的教程以及文章,欢迎大家前来阅读学习。

2023.07.31

1889

3

python教程
python教程

Python已成为一门网红语言,即使是在非编程开发者当中,也掀起了一股学习的热潮。本专题为大家带来python教程的相关文章,大家可以免费体验学习。

2023.08.03

33517

23

python环境变量的配置
python环境变量的配置

Python是一种流行的编程语言,被广泛用于软件开发、数据分析和科学计算等领域。在安装Python之后,我们需要配置环境变量,以便在任何位置都能够访问Python的可执行文件。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.04

3927

5

python eval
python eval

eval函数是Python中一个非常强大的函数,它可以将字符串作为Python代码进行执行,实现动态编程的效果。然而,由于其潜在的安全风险和性能问题,需要谨慎使用。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.04

3947

5

scratch和python区别
scratch和python区别

scratch和python的区别:1、scratch是一种专为初学者设计的图形化编程语言,python是一种文本编程语言;2、scratch使用的是基于积木的编程语法,python采用更加传统的文本编程语法等等。本专题为大家提供scratch和python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

1283

5

python合并两个列表
python合并两个列表

Python是一种强大的编程语言,具有许多方便的功能和工具。在Python中,有多种方法可以合并两个列表。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.10

636

4

python是前端还是后端
python是前端还是后端

Python属于前端也属于后端,其灵活性和丰富的生态系统使得开发人员能够在不同的领域中灵活运用。本专题为大家提供python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

3063

5

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
相关推荐
/
热门推荐
/
最新课程