Python實現(xiàn)快速大文件比較代碼解析

更新時間：2020年09月04日 14:52:51 作者：阿遙

這篇文章主要介紹了Python實現(xiàn)快速大文件比較代碼解析,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下

問題

假如，在有兩個大文件分別存儲了大量的數(shù)據(jù)，數(shù)據(jù)其實很簡單就是一堆字符串，每行存儲一條，如何快速篩選出兩個文件的異同之處么，或者如何篩選出兩個文件中不同的元素呢？

剛開始我是通過最簡單的方法，利用for循環(huán)去一個個的判斷，時間復雜度為m的n次冪，當然當文件數(shù)量級為十萬或者百萬時，速率簡直慢到了極點。

解決方法

利用set()的different(方法)可快速比較，兩個set集合的不同之處，也就是對集合進行數(shù)學運算

假設(shè):數(shù)據(jù)1擁有858882條記錄，數(shù)據(jù)2有360029條記錄，快速挑選出數(shù)據(jù)2中而不存在與數(shù)據(jù)1中的數(shù)據(jù)

方法：先將兩個文件中的數(shù)據(jù)讀入兩個list：data1和data2，然后通過：set(data2).difference(set(data1))，獲取data2與data1的差集

下面為一個小的demo，可以看到近百萬級的數(shù)據(jù)，比較出差集也就需要1秒左右，效率不是一般的高

import time
t1 = time.time()
data1 = []
for i in open("inDB.txt","r",encoding="utf-8"):
  i = i.strip("\n")
  i = i.lower()
  data1.append(i)
data2 = []
for i in open("data/18年.filename","r",encoding="utf-8"):
  i = i.strip("\n")
  i = i.lower()
  data2.append(i)
newdata = set(data2).difference(set(data1))
t2 = time.time()

print(f"data1 length:\t{len(data1)}")
print(f"data2 length:\t{len(data2)}")
print(f"newdata length:\t{len(newdata)}")
print(f"time use:\t{round(t2 - t1,3)}s")

list最多可以存放多少條數(shù)據(jù)呢？

python中l(wèi)ist最多可以存放多少條數(shù)據(jù)呢？

對于這個問題，有個網(wǎng)友調(diào)研了python的文檔，結(jié)果跟計算機的性能相關(guān)

64位機器：2^63-1=9223372036854775807
32位機器：2^31-1=2147483647
import sys
print(sys.maxsize)
print(pow(2,63)-1)
9223372036854775807
9223372036854775807

集合set的操作

內(nèi)置函數(shù)	作用
add()	為集合添加元素
clear()	移除集合中的所有元素
copy()	拷貝一個集合
difference()	返回多個集合的差集
difference_update()	移除集合中的元素，該元素在指定的集合也存在。
discard()	刪除集合中指定的元素
intersection()	返回集合的交集
intersection_update()	返回集合的交集。
isdisjoint()	判斷兩個集合是否包含相同的元素，如果沒有返回 True，否則返回 False。
issubset()	判斷指定集合是否為該方法參數(shù)集合的子集。
issuperset()	判斷該方法的參數(shù)集合是否為指定集合的子集
pop()	隨機移除元素
remove()	移除指定元素
symmetric_difference()	返回兩個集合中不重復的元素集合。
symmetric_difference_update()	移除當前集合中在另外一個指定集合相同的元素，并將另外一個指定集合中不同的元素插入到當前集合中。
union()	返回兩個集合的并集
update()	給集合添加元素