python 使用 readline 采样给出内存错误

Question

我尝试对超过 2.6 亿行的数据文件进行采样，创建一个均匀分布的样本，样本大小固定为 1000 个。

我所做的是：

import random

file = "input.txt"
output = open("output.txt", "w+", encoding = "utf-8")

samples = random.sample(range(1, 264000000), 1000)
samples.sort(reverse=False)

with open(file, encoding = "utf-8") as fp:
    line = fp.readline()
    count = 0
    while line:
        if count in samples:
            output.write(line)
            samples.remove(count)
        count += 1
        line = fp.readline()

此代码导致内存错误，没有进一步说明。这段代码怎么会出现内存错误？

据我所知，它应该逐行读取我的文件。该文件有 28.4GB，因此不能作为一个整体读取，这就是我使用 readline() 方法的原因。我该如何解决这个问题，以便可以处理整个文件，无论其大小如何？\

编辑：最近的尝试抛出了这个错误，这与我之前收到的每条错误消息几乎相同

MemoryError                               Traceback (most recent call last)
<ipython-input-1-a772dad1ea5a> in <module>()
     12 with open(file, encoding = "utf-8") as fp:
     13     count = 0
---> 14     for line in fp:
     15         if count in samples:
     16             output.write(line)

~\Anaconda3\lib\codecs.py in decode(self, input, final)
    320         # decode input (taking the buffer into account)
    321         data = self.buffer + input
--> 322         (result, consumed) = self._buffer_decode(data, self.errors, final)
    323         # keep undecoded input until the next call
    324         self.buffer = data[consumed:]

MemoryError:

Answer 1

所以看起来这一行会导致巨大的内存峰值：

samples = random.sample(range(1, 264000000), 1000)

我的猜测是，此调用会强制 python 创建该范围内的所有 264M 整数，然后才能进行采样。尝试使用此代码代替相同范围内的采样而不进行替换：

from random import randint

file = "input.txt"
output = open("output.txt", "w+", encoding = "utf-8")

samples = set()
while len(samples) < 1000:
    random_num = randint(0, 264000000)
    if random_num not in samples:
        samples.add(random_num)

with open(file, encoding = "utf-8") as fp:
    count = 0
    for line in fp:
        if count in samples:
            output.write(line)
            samples.remove(count)
        count += 1

        if not samples: break

Answer 2

已解决

我终于解决了这个问题：这里的所有代码都可以正常工作，范围问题确实只存在于 3.0 之前的版本中，它应该在哪里 xrange(1, 264000000).

输入文件是在不同的代码文件中构建的，其中写法如下：

with open(file, encoding = "utf-8", errors = 'ignore') as fp:  
line = fp.readline()
    while line:
        input_line = line.split(sep="\t")
        output.write(input_line[1] + "," + input_line[2])
        line = fp.readline()

这里的问题是这段代码并没有用行构造一个文件，而只是在第一行添加了信息。因此，整个文件被读取为一大行，而不是作为一个有很多行要迭代的文件。

非常感谢您的帮助，对于问题出在我项目的其他地方，我深表歉意。

python 使用 readline 采样给出内存错误

python sampling using readline gives memory error

python

memory

readline

sampling