Получить последние 10 строк очень большого текстового файла> 10 ГБ
Что является наиболее эффективным способом отображения последних 10 строк очень большого текстового файла (этот конкретный файл превышает 10 ГБ). Я думал просто написать простое приложение на C#, но я не уверен, как это сделать эффективно.
19 ответов
Прочитайте до конца файла, затем ищите назад, пока не найдете десять новых строк, а затем прочитайте до конца, учитывая различные кодировки. Обязательно обрабатывайте случаи, когда количество строк в файле меньше десяти. Ниже приведена реализация (в C#, как вы отметили это), обобщенная для поиска последней numberOfTokens в файле, расположенном по адресу path закодировано в encoding где разделитель токенов представлен tokenSeparator; результат возвращается как string (это можно улучшить, вернув IEnumerable<string> что перечисляет токены).
public static string ReadEndTokens(string path, Int64 numberOfTokens, Encoding encoding, string tokenSeparator) {
int sizeOfChar = encoding.GetByteCount("\n");
byte[] buffer = encoding.GetBytes(tokenSeparator);
using (FileStream fs = new FileStream(path, FileMode.Open)) {
Int64 tokenCount = 0;
Int64 endPosition = fs.Length / sizeOfChar;
for (Int64 position = sizeOfChar; position < endPosition; position += sizeOfChar) {
fs.Seek(-position, SeekOrigin.End);
fs.Read(buffer, 0, buffer.Length);
if (encoding.GetString(buffer) == tokenSeparator) {
tokenCount++;
if (tokenCount == numberOfTokens) {
byte[] returnBuffer = new byte[fs.Length - fs.Position];
fs.Read(returnBuffer, 0, returnBuffer.Length);
return encoding.GetString(returnBuffer);
}
}
}
// handle case where number of tokens in file is less than numberOfTokens
fs.Seek(0, SeekOrigin.Begin);
buffer = new byte[fs.Length];
fs.Read(buffer, 0, buffer.Length);
return encoding.GetString(buffer);
}
}
Скорее всего, я бы просто открыл его как двоичный поток, поискал до конца, а затем снова занялся поиском разрывов строк. Сделайте резервную копию 10 (или 11 в зависимости от этой последней строки), чтобы найти свои 10 строк, затем просто прочитайте до конца и используйте Encoding.GetString в том, что вы прочитали, чтобы получить его в строковом формате. Сплит по желанию.
Хвост? Tail - это команда unix, которая будет отображать последние несколько строк файла. В наборе ресурсов Windows 2003 Server имеется версия для Windows.
Как предложили другие, вы можете перейти к концу файла и эффективно читать в обратном направлении. Тем не менее, это немного сложно - особенно потому, что если у вас есть кодировка переменной длины (например, UTF-8), вам нужно быть хитрым, чтобы убедиться, что вы получаете "целые" символы.
Вы должны быть в состоянии использовать FileStream.Seek(), чтобы перейти к концу файла, а затем двигаться назад, ища \n, пока у вас не будет достаточно строк.
Я не уверен, насколько это будет эффективно, но в Windows PowerShell получить последние десять строк файла так же просто, как
Get-Content file.txt | Select-Object -last 10
Это то, что делает команда unix tail. Смотрите http://en.wikipedia.org/wiki/Tail_(Unix)
В Интернете существует множество реализаций с открытым исходным кодом, и вот одна для win32: Tail для WIn32
Я думаю, что следующий код решит проблему с тонкими изменениями, изменяющими кодировку
StreamReader reader = new StreamReader(@"c:\test.txt"); //pick appropriate Encoding
reader.BaseStream.Seek(0, SeekOrigin.End);
int count = 0;
while ((count < 10) && (reader.BaseStream.Position > 0))
{
reader.BaseStream.Position--;
int c = reader.BaseStream.ReadByte();
if (reader.BaseStream.Position > 0)
reader.BaseStream.Position--;
if (c == Convert.ToInt32('\n'))
{
++count;
}
}
string str = reader.ReadToEnd();
string[] arr = str.Replace("\r", "").Split('\n');
reader.Close();
Вот моя версия. НТН
using (StreamReader sr = new StreamReader(path))
{
sr.BaseStream.Seek(0, SeekOrigin.End);
int c;
int count = 0;
long pos = -1;
while(count < 10)
{
sr.BaseStream.Seek(pos, SeekOrigin.End);
c = sr.Read();
sr.DiscardBufferedData();
if(c == Convert.ToInt32('\n'))
++count;
--pos;
}
sr.BaseStream.Seek(pos, SeekOrigin.End);
string str = sr.ReadToEnd();
string[] arr = str.Split('\n');
}
Вы можете использовать версию команды tail для windows и просто скопировать ее вывод в текстовый файл с символом> или просмотреть его на экране в зависимости от ваших потребностей.
Если вы откроете файл с помощью FileMode.Append, он будет искать для вас конец файла. Затем вы можете найти желаемое количество байтов и прочитать их. Это может быть не быстро, независимо от того, что вы делаете, так как это довольно массивный файл.
Используя ответ Сисутиля в качестве отправной точки, вы можете читать файл построчно и загружать их в Queue<String>, Он действительно читает файл с самого начала, но обладает тем преимуществом, что не пытается прочитать файл задом наперед. Это может быть очень сложно, если у вас есть файл с кодировкой переменной ширины, такой как UTF-8, как указал Джон Скит. Он также не делает никаких предположений о длине линии.
Я проверил это в отношении файла объемом 1,7 ГБ (у меня не было 10 ГБ под рукой), и это заняло около 14 секунд. Конечно, обычные предостережения применяются при сравнении времени загрузки и чтения между компьютерами.
int numberOfLines = 10;
string fullFilePath = @"C:\Your\Large\File\BigFile.txt";
var queue = new Queue<string>(numberOfLines);
using (FileStream fs = File.Open(fullFilePath, FileMode.Open, FileAccess.Read, FileShare.Read))
using (BufferedStream bs = new BufferedStream(fs)) // May not make much difference.
using (StreamReader sr = new StreamReader(bs)) {
while (!sr.EndOfStream) {
if (queue.Count == numberOfLines) {
queue.Dequeue();
}
queue.Enqueue(sr.ReadLine());
}
}
// The queue now has our set of lines. So print to console, save to another file, etc.
do {
Console.WriteLine(queue.Dequeue());
} while (queue.Count > 0);
Если вам нужно прочитать любое количество строк в обратном порядке из текстового файла, вот класс, совместимый с LINQ, который вы можете использовать. Он ориентирован на производительность и поддержку больших файлов. Вы можете прочитать несколько строк и вызвать Reverse(), чтобы получить последние несколько строк в прямом порядке:
Использование:
var reader = new ReverseTextReader(@"C:\Temp\ReverseTest.txt");
while (!reader.EndOfStream)
Console.WriteLine(reader.ReadLine());
Класс ReverseTextReader:
/// <summary>
/// Reads a text file backwards, line-by-line.
/// </summary>
/// <remarks>This class uses file seeking to read a text file of any size in reverse order. This
/// is useful for needs such as reading a log file newest-entries first.</remarks>
public sealed class ReverseTextReader : IEnumerable<string>
{
private const int BufferSize = 16384; // The number of bytes read from the uderlying stream.
private readonly Stream _stream; // Stores the stream feeding data into this reader
private readonly Encoding _encoding; // Stores the encoding used to process the file
private byte[] _leftoverBuffer; // Stores the leftover partial line after processing a buffer
private readonly Queue<string> _lines; // Stores the lines parsed from the buffer
#region Constructors
/// <summary>
/// Creates a reader for the specified file.
/// </summary>
/// <param name="filePath"></param>
public ReverseTextReader(string filePath)
: this(new FileStream(filePath, FileMode.Open, FileAccess.Read, FileShare.Read), Encoding.Default)
{ }
/// <summary>
/// Creates a reader using the specified stream.
/// </summary>
/// <param name="stream"></param>
public ReverseTextReader(Stream stream)
: this(stream, Encoding.Default)
{ }
/// <summary>
/// Creates a reader using the specified path and encoding.
/// </summary>
/// <param name="filePath"></param>
/// <param name="encoding"></param>
public ReverseTextReader(string filePath, Encoding encoding)
: this(new FileStream(filePath, FileMode.Open, FileAccess.Read, FileShare.Read), encoding)
{ }
/// <summary>
/// Creates a reader using the specified stream and encoding.
/// </summary>
/// <param name="stream"></param>
/// <param name="encoding"></param>
public ReverseTextReader(Stream stream, Encoding encoding)
{
_stream = stream;
_encoding = encoding;
_lines = new Queue<string>(128);
// The stream needs to support seeking for this to work
if(!_stream.CanSeek)
throw new InvalidOperationException("The specified stream needs to support seeking to be read backwards.");
if (!_stream.CanRead)
throw new InvalidOperationException("The specified stream needs to support reading to be read backwards.");
// Set the current position to the end of the file
_stream.Position = _stream.Length;
_leftoverBuffer = new byte[0];
}
#endregion
#region Overrides
/// <summary>
/// Reads the next previous line from the underlying stream.
/// </summary>
/// <returns></returns>
public string ReadLine()
{
// Are there lines left to read? If so, return the next one
if (_lines.Count != 0) return _lines.Dequeue();
// Are we at the beginning of the stream? If so, we're done
if (_stream.Position == 0) return null;
#region Read and Process the Next Chunk
// Remember the current position
var currentPosition = _stream.Position;
var newPosition = currentPosition - BufferSize;
// Are we before the beginning of the stream?
if (newPosition < 0) newPosition = 0;
// Calculate the buffer size to read
var count = (int)(currentPosition - newPosition);
// Set the new position
_stream.Position = newPosition;
// Make a new buffer but append the previous leftovers
var buffer = new byte[count + _leftoverBuffer.Length];
// Read the next buffer
_stream.Read(buffer, 0, count);
// Move the position of the stream back
_stream.Position = newPosition;
// And copy in the leftovers from the last buffer
if (_leftoverBuffer.Length != 0)
Array.Copy(_leftoverBuffer, 0, buffer, count, _leftoverBuffer.Length);
// Look for CrLf delimiters
var end = buffer.Length - 1;
var start = buffer.Length - 2;
// Search backwards for a line feed
while (start >= 0)
{
// Is it a line feed?
if (buffer[start] == 10)
{
// Yes. Extract a line and queue it (but exclude the \r\n)
_lines.Enqueue(_encoding.GetString(buffer, start + 1, end - start - 2));
// And reset the end
end = start;
}
// Move to the previous character
start--;
}
// What's left over is a portion of a line. Save it for later.
_leftoverBuffer = new byte[end + 1];
Array.Copy(buffer, 0, _leftoverBuffer, 0, end + 1);
// Are we at the beginning of the stream?
if (_stream.Position == 0)
// Yes. Add the last line.
_lines.Enqueue(_encoding.GetString(_leftoverBuffer, 0, end - 1));
#endregion
// If we have something in the queue, return it
return _lines.Count == 0 ? null : _lines.Dequeue();
}
#endregion
#region IEnumerator<string> Interface
public IEnumerator<string> GetEnumerator()
{
string line;
// So long as the next line isn't null...
while ((line = ReadLine()) != null)
// Read and return it.
yield return line;
}
IEnumerator IEnumerable.GetEnumerator()
{
throw new NotImplementedException();
}
#endregion
}
Используя PowerShell, Get-Content big_file_name.txt -Tail 10 где 10 - количество нижних строк для извлечения.
Это не имеет проблем с производительностью. Я запустил его в текстовом файле размером более 100 ГБ и получил мгновенный результат.
Я думаю, что другие плакаты показали, что здесь нет настоящих ярлыков.
Вы можете использовать такой инструмент, как tail (или powershell), или написать какой-то тупой код, который ищет конец файла, а затем ищет n новых строк.
В сети существует множество реализаций tail - взгляните на исходный код, чтобы узнать, как они это делают. Хвост довольно эффективен (даже для очень очень больших файлов), и поэтому они, должно быть, поняли это правильно, когда написали это!
Один полезный метод FileInfo.Length, Это дает размер файла в байтах.
Какова структура вашего файла? Вы уверены, что последние 10 строк будут в конце файла? Если у вас есть файл с 12 строками текста и 10 ГБ 0, то поиск в конце не будет таким быстрым. Опять же, вам, возможно, придется просмотреть весь файл.
Если вы уверены, что файл содержит множество коротких строк, каждая из которых находится в новой строке, выполните поиск до конца, а затем проверяйте счет до 11 концов строк. Затем вы можете читать вперед для следующих 10 строк.
У меня была та же проблема, огромный файл журнала, к которому нужно обращаться через интерфейс REST. Конечно, загрузка его в любую память и его полная отправка через http не были решением.
Как указал Джон, это решение имеет очень специфический вариант использования. В моем случае я точно знаю (и проверяю), что кодировка - это utf-8 (с BOM!) И, таким образом, может извлечь выгоду из всех благословений UTF. Это, конечно, не решение общего назначения.
Вот что сработало для меня очень хорошо и быстро (я забыл закрыть поток - исправлено сейчас):
private string tail(StreamReader streamReader, long numberOfBytesFromEnd)
{
Stream stream = streamReader.BaseStream;
long length = streamReader.BaseStream.Length;
if (length < numberOfBytesFromEnd)
numberOfBytesFromEnd = length;
stream.Seek(numberOfBytesFromEnd * -1, SeekOrigin.End);
int LF = '\n';
int CR = '\r';
bool found = false;
while (!found) {
int c = stream.ReadByte();
if (c == LF)
found = true;
}
string readToEnd = streamReader.ReadToEnd();
streamReader.Close();
return readToEnd;
}
Сначала мы ищем где-то ближе к концу с BaseStream, а когда у нас есть правильное положение потока, читаем до конца с помощью обычного StreamReader.
Это на самом деле не позволяет указывать количество строк в конце, что не очень хорошая идея, так как строки могут быть произвольно длинными и, таким образом, снова снижать производительность. Поэтому я указываю количество байтов, читаемое до тех пор, пока мы не доберемся до первой новой строки, а до конца удобно читать. Теоретически, вы также можете искать CarriageReturn, но в моем случае это было необязательно.
Если мы будем использовать этот код, он не будет мешать процессу записи:
FileStream fileStream = new FileStream(
filename,
FileMode.Open,
FileAccess.Read,
FileShare.ReadWrite);
StreamReader streamReader = new StreamReader(fileStream);
Откройте файл и начните читать строки. После того, как вы прочитали 10 строк, откройте еще один указатель, начиная с начала файла, поэтому второй указатель отстает от первого на 10 строк. Продолжайте читать, перемещая два указателя в унисон, пока первый не достигнет конца файла. Затем используйте второй указатель, чтобы прочитать результат. Работает с любым размером файла, включая пустой и короче длины хвоста. И это легко настроить для любой длины хвоста. Недостатком, конечно, является то, что вы в конечном итоге читаете весь файл, и это может быть именно тем, чего вы пытаетесь избежать.
Если у вас есть файл, который имеет четный формат на строку (например, система daq), вы просто используете streamreader, чтобы получить длину файла, а затем взять одну из строк, (readline()).
Разделите общую длину на длину строки. Теперь у вас есть общее длинное число для представления количества строк в файле.
Ключ в том, что вы используете readline() до получения ваших данных для вашего массива или что-то еще. Это гарантирует, что вы начнете с начала новой строки, и не получите никаких оставшихся данных из предыдущей.
StreamReader leader = new StreamReader(GetReadFile);
leader.BaseStream.Position = 0;
StreamReader follower = new StreamReader(GetReadFile);
int count = 0;
string tmper = null;
while (count <= 12)
{
tmper = leader.ReadLine();
count++;
}
long total = follower.BaseStream.Length; // get total length of file
long step = tmper.Length; // get length of 1 line
long size = total / step; // divide to get number of lines
long go = step * (size - 12); // get the bit location
long cut = follower.BaseStream.Seek(go, SeekOrigin.Begin); // Go to that location
follower.BaseStream.Position = go;
string led = null;
string[] lead = null ;
List<string[]> samples = new List<string[]>();
follower.ReadLine();
while (!follower.EndOfStream)
{
led = follower.ReadLine();
lead = Tokenize(led);
samples.Add(lead);
}
Некоторое время назад я использовал этот код для небольшой утилиты, надеюсь, он вам поможет!
private string ReadRows(int offset) /*offset: how many lines it reads from the end (10 in your case)*/
{
/*no lines to read*/
if (offset == 0)
return result;
using (FileStream fs = new FileStream(FullName, FileMode.Open, FileAccess.Read, FileShare.ReadWrite, 2048, true))
{
List<char> charBuilder = new List<char>(); /*StringBuilder doesn't work with Encoding: example char */
StringBuilder sb = new StringBuilder();
int count = 0;
/*tested with utf8 file encoded by notepad-pp; other encoding may not work*/
var decoder = ReaderEncoding.GetDecoder();
byte[] buffer;
int bufferLength;
fs.Seek(0, SeekOrigin.End);
while (true)
{
bufferLength = 1;
buffer = new byte[1];
/*for encoding with variable byte size, every time I read a byte that is part of the character and not an entire character the decoder returns '�' (invalid character) */
char[] chars = { '�' }; //� 65533
int iteration = 0;
while (chars.Contains('�'))
{
/*at every iteration that does not produce character, buffer get bigger, up to 4 byte*/
if (iteration > 0)
{
bufferLength = buffer.Length + 1;
byte[] newBuffer = new byte[bufferLength];
Array.Copy(buffer, newBuffer, bufferLength - 1);
buffer = newBuffer;
}
/*there are no characters with more than 4 bytes in utf-8*/
if (iteration > 4)
throw new Exception();
/*if all is ok, the last seek return IOError with chars = empty*/
try
{
fs.Seek(-(bufferLength), SeekOrigin.Current);
}
catch
{
chars = new char[] { '\0' };
break;
}
fs.Read(buffer, 0, bufferLength);
var charCount = decoder.GetCharCount(buffer, 0, bufferLength);
chars = new char[charCount];
decoder.GetChars(buffer, 0, bufferLength, chars, 0);
++iteration;
}
/*when i get a char*/
charBuilder.InsertRange(0, chars);
if (chars.Length > 0 && chars[0] == '\n')
++count;
/*exit when i get the correctly number of line (*last row is in interval)*/
if (count == offset + 1)
break;
/*the first search goes back, the reading goes on then we come back again, except the last */
try
{
fs.Seek(-(bufferLength), SeekOrigin.Current);
}
catch (Exception)
{
break;
}
}
}
/*everithing must be reversed, but not \0*/
charBuilder.RemoveAt(0);
/*yuppi!*/
return new string(charBuilder.ToArray());
}
Прикрепляю скрин на скорость
Почему бы не использовать file.readalllines, который возвращает строку []?
Затем вы можете получить последние 10 строк (или членов массива), что будет тривиальной задачей.
Этот подход не учитывает какие-либо проблемы с кодированием, и я не уверен в точной эффективности этого подхода (время, необходимое для завершения метода и т. Д.).