请教高效分割 txt 大文件（100GB）方案（ Python ， Java ， shell）

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

For Existing Member Sign In

• 请不要在回答技术问题时复制粘贴 AI 生成的内容

This topic created in 2218 days ago, the information mentioned may be changed or developed.

一个 100G 的 txt 文件，按指定行内容分割为若干个文件，如何处理？
例如：这个文件有几亿行，其中会有大概 20 行的内容是”my content\t“
想以这个内容将文件分割开，如何在内存 16GB 的电脑上实现呢？

文件

分割

txt

Python

40 replies • 2020-04-23 09:46:33 +08:00

xupefei

Apr 9, 2020 via iPhone

边读边写，线性时间，内存占用超低。

U7Q5tLAex2FI0o0g

Apr 9, 2020

歪楼，为啥会有这样的文件啊，可怕

alan0liang

Apr 9, 2020 via Android

用 split ？
![]( https://i.loli.net/2020/04/09/MkNvFrUpemP1Sgz.jpg)

xupefei

Apr 9, 2020 via iPhone

如果是 ssd 的话，可以把文件分块后多线程扫描来拿到分隔符位置。对于每个位置，起一个线程从那个位置开始边读边写，直到遇到下一个分隔符。

vuuv

Apr 9, 2020 via Android

根据内容分割需要用 csplit 。

alan0liang

Apr 9, 2020 via Android

哦看错了一楼流处理正解

luckyrayyy

Apr 9, 2020

你的难点在哪？如果说只是不能一次性读到内存，那就一边读一边处理呗。是否还有其他困难？

vuuv

Apr 9, 2020 via Android

毕竟只会生成 20 多个文件，都是顺序大块读写。
如果可能，写的目的地不要放在同一块磁盘上。
复制到 SSD 后能加快处理时的读取速度。但是你复制也要时间。自行决策吧。

提前创建个小文件测试下命令行参数效果。

Nick2VIPUser

Apr 9, 2020

@xupefei 是的~我的想法是读 2GB，然后逐行写入，依次循环。我打算先计算预计需要的时间...如果是读一行写一行，算了一下时间不能承受。

Nick2VIPUser

Apr 9, 2020

@littleylv 因为自己的某些 zhizhang 操作...哭了

Nick2VIPUser

Apr 9, 2020

@vuuv 我回去试试

yxt

Apr 9, 2020 via Android

emeditor?

Nick2VIPUser

Apr 9, 2020

@luckyrayyy 目前准备是按 2GB 分批读，然后逐行判断和写入，目前还在找 python 相关的 api 进行实现

Nick2VIPUser

Apr 9, 2020

@vuuv 是了~我打算放在 ssd 上跑一下

pcbl

Apr 9, 2020 via Android

反正才 100g 如果只是一次性处理的话，一行一行的读取都行，然后预估下内存最大可以放多少行在超出之前写入到文件

yxt

Apr 9, 2020 via Android

emeditor 最大支持大概 250g 先搜索，bookmark all，然后 split done

aptupdate

Apr 9, 2020 via iPhone

在 SSD 里面把线程拉满然后边读边写，你是想分割成 20 个文件吗？感觉分割完 20 个 5GB 大小的文件后续处理也够呛。好奇 100GB 的 txt 文件是什么东西……

also24

Apr 9, 2020

提醒下，边读边写方案，如果你是 HDD，最好分开在两个硬盘进行，或者读取一长段数据（ x GB ）后再一次性写入，避免大量的随机读写降低 IO 性能。

如果是 SSD 的话可以不用管这个。

caola

Apr 9, 2020

逐行读，判后再写入新文件……

line

Apr 9, 2020

cat | awk

rayray314

Apr 9, 2020 via Android

emeditor

cheng6563

Apr 9, 2020

就算是 HDD 同盘复制缓冲区给个 50M 就行了，没必要上 GB

lululau

Apr 9, 2020

zsh:

offsets=($(echo 1; grep -b 'my content' big.log | cut -d: -f1; stat -c%s big.log))
for ((i=1; i < $#offsets; i++)) { echo dd if=big.log of=small.$i.log bs=1 count=$[$offsets[i+1]-$offsets[i]] skip=$[$offsets[i]-1] }

lululau

Apr 9, 2020

zsh:

offsets=($(echo 1; grep -b 'my content' big.log | cut -d: -f1; stat -c%s big.log))
for ((i=1; i < $#offsets; i++)) { dd if=big.log of=small.$i.log bs=1 count=$[$offsets[i+1]-$offsets[i]] skip=$[$offsets[i]-1] }