讲师中心 微信公众号

工具推荐

视频效率加速
AniShort
AniShort

AI短剧协同制作平台

Seko
Seko

AI短剧一键生成成片

updream

一键生成高质量推广成片

SoundView
SoundView

字幕擦除翻译、配音口型同步

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

发布时间:2026-11-17 10:19:36

|

427人浏览过

|

来源于php中文网

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:

立即学习“Python免费学习笔记(深入)”;

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:

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
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。

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。

热门AI工具

更多
DeepSeek

DeepSeek是一款面向对话、写作、编程和推理场景的AI大模型工具。

WorkBuddy

一款AI办公效率工具,主要用于腾讯云推出的AI原生桌面智能体工作台,适合需要提升相关任务效率的用户。

火山引擎

火山引擎是一款面向企业的云计算与AI服务平台。

Loomy
Loomy Hot

一款AI工具,主要用于科大讯飞发布的桌面级 AI 助理,比 OpenClaw 更易用、更安全!,适合需要提升相关任务效率的用户。

Seko
Seko Hot

一款AI视频创作工具,主要用于商汤科技推出的创编一体的AI短视频创作Agent,适合需要提升相关任务效率的用户。

码上飞
码上飞 Hot

一款基于自然语言的AI应用开发平台,可根据用户描述自动生成应用程序,帮助个人和团队快速完成应用原型与开发。

切问学术

切问学术是一款AI论文写作工具,复旦大学NLP团队推出的AI学术智能体。

蛙蛙写作

一款AI论文写作工具,主要用于超级AI智能写作助手,适合需要提升相关任务效率的用户。

豆包大模型

豆包大模型是一款由字节跳动推出的企业级大语言模型服务平台。

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。

1931

2023.07.20

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。

5504

2023.07.25

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。

1889

2023.07.31

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。

33517

2023.08.03

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。

3927

2023.08.04

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。

3947

2023.08.04

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。

1283

2023.08.11

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。

636

2023.08.10

Go-Zero API开发使用教程
Go-Zero API开发使用教程

本专题聚焦Go-Zero的API开发,拆解.api描述文件的语法结构、路由与分组定义、参数绑定与校验规则,说明统一响应体、JWT鉴权、跨域与接口文档生成的落地方式,并给出网关聚合与接口测试的实践建议。

140

2026.11.12

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
关于我们 免责申明 举报中心 意见反馈 讲师合作 广告合作 最新更新
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号
PHP中文网订阅号
每天精选资源文章推送

Copyright 2014-2026 https://www.php.cn/ All Rights Reserved | php.cn