如何在python中解析超大文件？

Question

我有这个日志文件“ internet.log”，大约10GB。当我在python中解析它时，出现异常“ MemoryError”。日志文件看起来像这样...Jun 15 16:26:21 dnsmasq[1979]: reply fd-geoycpi-uno.gycpi.b.yahoodns.net is 74.6.160.107Jun 15 16:26:21 dnsmasq[1979]: reply fd-geoycpi uno.gycpi.b.yahoodns.net is 216.115.100.123Jun 15 16:26:21 dnsmasq[1979]: reply fd-geoycpi-uno.gycpi.b.yahoodns.net is 216.115.100.124Jun 15 16:26:21 dnsmasq[1979]: reply fd-geoycpi-uno.gycpi.b.yahoodns.net is 74.6.160.106Jun 15 16:26:21 dnsmasq[1979]: query[A] fd-geoycpi-uno.gycpi.b.yahoodns.net from 192.168.1.33Jun 15 16:26:21 dnsmasq[1979]: cached fd-geoycpi-uno.gycpi.b.yahoodns.net is 74.6.160.106Jun 15 16:26:21 dnsmasq[1979]: cached fd-geoycpi-uno.gycpi.b.yahoodns.net is 216.115.100.124Jun 15 16:26:21 dnsmasq[1979]: cached fd-geoycpi-uno.gycpi.b.yahoodns.net is 216.115.100.123Jun 15 16:26:21 dnsmasq[1979]: cached fd-geoycpi-uno.gycpi.b.yahoodns.net is 74.6.160.107Jun 15 16:26:23 dnsmasq[1979]: query[A] armdl.adobe.com from 192.168.1.24我目前正在使用此方法来解析日志文件：def parse():Date = []IPAddress = []DomainsVisited = []with open("internet.log", "r") as file:    content = file.readlines()    for items in content:        if 'query[A]' in items:            getDate(Date, items)            getIPAddress(IPAddress, items)            getDomainsVisited(DomainsVisited, items)finalResult = [[i, j, k] for i, j, k in zip(Date, IPAddress, DomainsVisited)]return display(finalResult)如果我解析一个说10MB的日志文件，则显示输出，但是当我解析10GB的日志文件时，我得到了错误。我怎样才能解决这个问题？谢谢你。

Answer 1

您不应该使用file.readlines()。这样做会立即将整个文件读入内存，这很可能会立即将其填满。相反，遍历文件：

with open("internet.log", "r") as file:

    for items in file:

（当然，取决于您对数据的处理方式，当您遍历文件时，这仍然可能会中断。）

Answer 2

您正在使用读取整个文件到内存中readlines。

您可以说一次读一行for items in file。

使用更好的变量名和列表理解来稍微整理代码，以生成结果：

with open("internet.log") as log:

    finalResults = [[getDate(line), getIPAddress(line), getDomainsVisited(line)]

                    for line in log

                    if 'query[A]' in line]

我将结果提取到一个函数：

def parse_log_line(line):

    return [getDate(line),

            getIPAddress(line),

            getDomainsVisited(line)]

那么您的代码将是：

with open("internet.log") as log:

    finalResults = [parse_log_line(line)

                    for line in log

                    if 'query[A]' in line]