为了在所有这些文件上获得适当的随机分布,您需要将它们视为一大行,并随机选择10条。换句话说,您必须至少读取一次所有这些文件,以至少弄清楚 您有多少行 。
但是,您不需要将所有行都保留在内存中。您必须分两个阶段执行此操作:为文件建立索引以计算每个文件中的行数,然后从这些文件中选择10条随机行。
第一次索引:
import os
root_path = r'C:\Tasks\\'
total_lines = 0
file_indices = dict()
# Based on https://stackoverflow.com/q/845058, bufcount function
def linecount(filename, buf_size=1024*1024):
with open(filename) as f:
return sum(buf.count('\n') for buf in iter(lambda: f.read(buf_size), ''))
for dirpath, dirnames, filenames in os.walk(root_path):
for filename in filenames:
if not filename.endswith('.txt'):
continue
path = os.path.join(dirpath, filename)
file_indices[total_lines] = path
total_lines += linecount(path)
offsets = list(file_indices.keys())
offsets.sort()
现在我们有了一个偏移量映射,指向文件名和总行数。现在我们选择十个随机索引,并从您的文件中读取这些索引:
import random
import bisect
tasks = list(range(total_lines))
task_indices = random.sample(tasks, 10)
for index in task_indices:
# find the closest file index
file_index = offsets[bisect.bisect(offsets, index) - 1]
path = file_indices[file_index]
curr_line = file_index
with open(path) as f:
while curr_line <= index:
task = f.readline()
curr_line += 1
print(task)
tasks.remove(index)
注意,只需要索引一次。您可以将结果存储在某处,并且仅在文件更新时才对其进行更新。
还要注意,您的任务现在已“存储”在tasks
列表中。这些是文件中各行的索引,在打印所选任务时,将从该变量中删除索引。下次运行random.sample()
选项时,以前选择的任务将不再可用于下次选择。如果文件确实发生更改,则此结构将需要更新,因为必须重新计算索引。该file_indices
会帮助你完成这项任务,但超出这个答案的范围。:-)
如果您只需要 一个 10个项目的样本,请改用Blckknght的解决方案,因为该解决方案只处理一次文件,而我的则需要额外打开10个文件。如果需要_多个_ 样本,则每次需要样本时,此解决方案仅需要额外打开10个文件,就不会再次扫描所有文件。如果文件少于10个,请仍然使用Blckknght的答案。:-)