如何利用Python快速統計文本的行數

Posted on by

​​通常我們會用wc -l來統計文件行數，不過用Python統計也很簡單。

要快速統計一個文本文件中的行數，其實就是要統計這個文本文件中換行符的個數。為瞭盡量提高速度，我們需要盡量多讀一些文本然後一起處理。統計換行符的個數可以用bytes內置的count方法。

代碼如下：

from __future__ import print_function
import time

if __name__ == '__main__':
    import sys
    start = time.time()
    with open(sys.argv[1],'rb') as f:
        count = 0
        last_data = '\n'
        while True:
            data = f.read(0x400000)
            if not data:
                break
            count += data.count(b'\n')
            last_data = data
        if last_data[-1:] != b'\n':
            count += 1 # Remove this if a wc-like count is needed
    end = time.time()
    print(count)
    print((end-start) * 1000)

上面的代碼中，我們將文件尾沒有換行符的不完整的部分也算作一行，這跟wc -l略有區別，如果要跟wc -l一致的話，可以將帶註釋的行刪掉。

這裡沒有處理universal newline、忽略空行等邏輯，如果需要這些功能，程序會變得復雜一些。

使用三個文本文件進行測試，分別有一千萬行、一億六千萬行、六億四千萬行。先用wc -l運行兩次，然後用Python的wc.py。

運行結果：

[root@yz- test]# docker run -it --rm -v `pwd`:/opt/workspace python:3 bash -c "cd /opt/workspace && time wc -l text.txt && time wc -l text.txt && time python3 wc.py text.txt"
10000000 text.txt

real    0m0.086s
user    0m0.072s
sys     0m0.013s
10000000 text.txt

real    0m0.080s
user    0m0.060s
sys     0m0.019s
10000000
64.38159942626953

real    0m0.150s
user    0m0.100s
sys     0m0.033s
[root@yz- test]# docker run -it --rm -v `pwd`:/opt/workspace python:3 bash -c "cd /opt/workspace && time wc -l text3.txt && time wc -l text3.txt && time python3 wc.py text3.txt"
160000000 text3.txt

real    0m1.322s
user    0m0.991s
sys     0m0.318s
160000000 text3.txt

real    0m1.313s
user    0m0.966s
sys     0m0.341s
160000000
838.7012481689453

real    0m0.908s
user    0m0.595s
sys     0m0.297s
[root@yz- test]# docker run -it --rm -v `pwd`:/opt/workspace python:3 bash -c "cd /opt/workspace && time wc -l text4.txt && time wc -l text4.txt && time python3 wc.py text4.txt"
640000000 text4.txt

real    0m5.805s
user    0m4.349s
sys     0m1.455s
640000000 text4.txt

real    0m5.787s
user    0m4.342s
sys     0m1.445s
640000000
3323.5926628112793

real    0m3.399s
user    0m2.255s
sys     0m1.108s

可以看到Python實際上是比wc -l更快的，主要因為純Python的步驟很少，大部分時間都在read()，count()這樣的C實現的過程中。wc更慢的原因猜想可能是默認的緩沖區更小，所以需要更多的read()

到此這篇關於如何利用Python快速統計文本的行數的文章就介紹到這瞭,更多相關Python快速統計文本的行數內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet！

推薦閱讀：