4G 內存處理 10G 大小的文件

4G 內存處理 10G 大小的文件，單機怎么做？

下面的討論基於的假定：可以單獨處理一行數據，行間數據相關性為零。

方法一：

僅使用 Python 內置模板，逐行讀取到內存。

使用 yield，好處是解耦讀取操作和處理操作：

def python_read(filename):
    with open(filename,'r',encoding='utf-8') as f:
        while True:
            line = f.readline()
            if not line:
                return
            yield line
以上每次讀取一行，逐行迭代，逐行處理數據

if __name__ == '__main__':
    g = python_read('./data/movies.dat')
    for c in g:
        print(c)
        # process c
方法二：

方法一有缺點，逐行讀入，頻繁的 IO 操作拖累處理效率。是否有一次 IO ，讀取多行的方法？

pandas 包 read_csv 函數，參數有 38 個之多，功能非常強大。

關於單機處理大文件，read_csv 的 chunksize 參數能做到，設置為 5， 意味着一次讀取 5 行。

def pandas_read(filename,sep=',',chunksize=5):
    reader = pd.read_csv(filename,sep,chunksize=chunksize)
    while True:
        try:
            yield reader.get_chunk()
        except StopIteration:
            print('---Done---')
            break
使用如同方法一：

if __name__ == '__main__':
    g = pandas_read('./data/movies.dat',sep="::")
    for c in g:
        print(c)
        # process c