大きなファイルを小さなファイルに分割するときにメモリエラーが発生する

Question

私はthisを含むいくつかの投稿を読んでいます。誰も助けなかった。ここで

はファイル

私の入力ファイルのサイズが15Gであると私は128メガバイトにそれを分割していますが分割、私が現在持っているPythonコードです。私は、スクリプトを実行したときに私のコンピュータは、8Gメモリに

import sys 

def read_line(f_object,terminal_byte): 
    line = ''.join(iter(lambda:f_object.read(1),terminal_byte)) 
    line+="\x01" 
    return line 

def read_lines(f_object,terminal_byte): 
    tmp = read_line(f_object,terminal_byte) 
    while tmp: 
     yield tmp 
     tmp = read_line(f_object,terminal_byte) 

def make_chunks(f_object,terminal_byte,max_size): 
    current_chunk = [] 
    current_chunk_size = 0 
    for line in read_lines(f_object,terminal_byte): 
     current_chunk.append(line) 
     current_chunk_size += len(line) 
     if current_chunk_size > max_size: 
      yield "".join(current_chunk) 
      current_chunk = [] 
      current_chunk_size = 0 
    if current_chunk: 
     yield ''.join(current_chunk) 

inputfile=sys.argv[1] 

with open(inputfile,"rb") as f_in: 
    for i,chunk in enumerate(make_chunks(f_in, bytes(chr(1)),1024*1000*128)): 
     with open("out%d.txt"%i,"wb") as f_out: 
      f_out.write(chunk) 

を持って、私は次のエラーを取得する：

Traceback (most recent call last): 
    File "splitter.py", line 30, in <module> 
    for i,chunk in enumerate(make_chunks(f_in, bytes(chr(1)),1024*1000*128)): 
    File "splitter.py", line 17, in make_chunks 
    for line in read_lines(f_object,terminal_byte): 
    File "splitter.py", line 12, in read_lines 
    tmp = read_line(f_object,terminal_byte) 
    File "splitter.py", line 4, in read_line 
    line = ''.join(iter(lambda:f_object.read(1),terminal_byte)) 
MemoryError 

Answer 1

Question: splitting big file into smaller files

代わりのすべての単一の\x01のみ最終chunkでこれを行うに見つけること。
FilepointerをLast：\x01のoffset+1にリセットし、現在のチャンクファイルにはoffset、次のチャンクファイルにはchunkの残りの部分を続行または書き込みします。

Note: Your chunk_size should be io.DEFAULT_BUFFER_SIZE or a multiple of that.
You gain no speedup if you raise the chunk_size to high.
Read this relevant SO QA: Default buffer size for a file

私の例は、例えば、ファイルポインタをリセットを使用することを示しています

のPythonでテスト

import io 

large_data = b"""Lorem ipsum\x01dolor sit\x01sadipscing elitr, sed\x01labore et\x01dolores et ea rebum.\x01magna aliquyam erat,\x01""" 

def split(chunk_size, split_size): 
    with io.BytesIO(large_data) as fh_in: 
     _size = 0 
     # Used to verify chunked writes 
     result_data = io.BytesIO() 

     while True: 
      chunk = fh_in.read(chunk_size) 
      print('read({})'.format(bytearray(chunk))) 
      if not chunk: break 

      _size += chunk_size 
      if _size >= split_size: 
       _size = 0 
       # Split on last 0x01 
       l = len(chunk) 
       print('\tsplit_on_last_\\x01({})\t{}'.format(l, bytearray(chunk))) 

       # Reverse iterate 
       for p in range(l-1, -1, -1): 
        c = chunk[p:p+1] 
        if ord(c) == ord('\x01'): 
         offset = l-(p+1) 

         # Condition if \x01 is the Last Byte in chunk 
         if offset == 0: 
          print('\toffset={} write({})\t\t{}'.format(offset, l - offset, bytearray(chunk))) 
          result_data.write(chunk) 
         else: 
          # Reset Fileppointer 
          fh_in.seek(fh_in.tell()-offset) 
          print('\toffset={} write({})\t\t{}'.format(offset, l-offset, bytearray(chunk[:-offset]))) 
          result_data.write(chunk[:-offset]) 
         break 
      else: 
       print('\twrite({}) {}'.format(chunk_size, bytearray(chunk))) 
       result_data.write(chunk) 

     print('INPUT :{}\nOUTPUT:{}'.format(large_data, result_data.getvalue())) 

if __name__ == '__main__': 
    split(chunk_size=30, split_size=60) 

Output:

read(bytearray(b'Lorem ipsum\x01dolor sit\x01sadipsci')) 
    write(30) bytearray(b'Lorem ipsum\x01dolor sit\x01sadipsci') 
read(bytearray(b'ng elitr, sed\x01labore et\x01dolore')) 
    split_on_last_\x01(30) bytearray(b'ng elitr, sed\x01labore et\x01dolore') 
    offset=6 write(24)  bytearray(b'ng elitr, sed\x01labore et\x01') 
read(bytearray(b'dolores et ea rebum.\x01magna ali')) 
    write(30) bytearray(b'dolores et ea rebum.\x01magna ali') 
read(bytearray(b'quyam erat,\x01')) 
    split_on_last_\x01(12) bytearray(b'quyam erat,\x01') 
    offset=0 write(12)  bytearray(b'quyam erat,\x01') 
read(bytearray(b'')) 
INPUT :b'Lorem ipsum\x01dolor sit\x01sadipscing elitr, sed\x01labore et\x01dolores et ea rebum.\x01magna aliquyam erat,\x01' 
OUTPUT:b'Lorem ipsum\x01dolor sit\x01sadipscing elitr, sed\x01labore et\x01dolores et ea rebum.\x01magna aliquyam erat,\x01' 

：3.4.2