python讀取大文件踩過的坑——讀取txt文件詞向量

在讀取https://github.com/Embedding/Chinese-Word-Vectors中的中文詞向量時，選擇了一個有3G多的txt文件，之前在做詞向量時用的是word2vec，所以直接導入模型然后indexword即可。

因為這是一個txt大文件，嘗試了DataFrame，np.loadtxt等，都沒有成功，其中主要遇到的問題是：

如何讀取完整的大文件，而不會出現內存不足memery error等問題
將讀取出來的文件，保存為npy文件
根據詞找到對應的向量
解決辦法：

嘗試使用的代碼：

代碼1:
try:
lines=np.loadtxt(filepath)
catch:
感覺這塊不會寫了咦，，，
    print(ValueError)
但這樣的話，它就不會繼續循環去讀上邊的txt了呢

　　

代碼2：
lines=[]
with open(filepath) as f:
    for line in f:
        lines.append()
np.save(filepath,lines)

　　

代碼3
 
def readEmbedFile(embedFile):
#     embedId = {}
#     input = open(embedFile,'r',encoding="utf-8")
#     lines = []
#     a=0
#     for line in input:
#         lines.append(line)
#         a=a+1
#         print(a)
#     nwords = len(lines) - 1
#     splits = lines[1].strip().split(' ')  # 因為第一行是統計信息，所以用第二行
#     dim = len(splits) - 1
#     embeddings=[]
#     # embeddings = [[0 for col in range(dim)] for row in range(nwords)]
#     b=0
#     for lineId in range(len(lines)):
#         b=b+1
#         print(b)
#         splits = lines[lineId].split(' ')
#         if len(splits) > 2:
#             # embedId賦值
#             embedId[splits[0]] = lineId
#             # embeddings賦值
#             emb = [float(splits[i]) for i in range(1, 300)]
#             embeddings.append(emb)
#     return embedId, embeddings

　　

代碼4：
def load_txt(filename):
   lines=[]
   vec_dict={}
   with open(filename,r) as f:
       for line in f:
        list=line.strip()
        lines.append(line)
   for i, line in emuate(lines):
        if i=0:
            continue
        line=line.split(" ")
        wordID=line[0]
        wordvec=[float line[i] for i in range(1,300)]
    vec_dict[wordId]=np.array(wordvec)    
 
    return vec_dict

　　

具體內存不足主要的原因是：

1. 我的虛擬機中確實內存不太夠，后來使用實驗室32G的主機后，可以得到idvec，而得不到向量的，報的錯還是memory error.
2. 另一個原因，是需要把詞向量轉換為float形式，在python中str 占的內存>float類型，如代碼所示：

print("str",sys.getsizeof(""))
print("float",sys.getsizeof(1.1))
print("int",sys.getsizeof(1))
print("list",sys.getsizeof([]))
print("tuple",sys.getsizeof(()))
print("dic",sys.getsizeof([]))

　　

str 49
float 24
int 28
list 64
tuple 48
dic 64

　　

在我的電腦，64位操作系統，64位的python, 所占內存大小排序為：

dic=list>str>tuple>int>float

讀取時候可以用np.load().item就可以復原原來的字典，主要參照下述文件：

https://www.sogou.com/link?url=DOb0bgH2eKh1ibpaMGjuy0bRPfNjeyc9FrxJzwU1-HIm3Pojx-sH_K8z0b4lhih2oEAZ19hjAo8.

然后通過python的字典操作就可以遍歷得到每個詞的詞向量了，dic[vocab]

心得：

距離完全解決項目的問題還有5~6的大關卡,但靜下心來，一步步地做總會突破的呀！

 

原文：https://blog.csdn.net/weixin_38527856/article/details/90704116
版權聲明：本文為博主原創文章，轉載請附上博文鏈接！