要实现在单机上处理大小为10G的文件，需要结合4G以上的内存和高效的处理算法。首先，确保计算机具备4G以上的内存，以便在内存中进行数据处理，减少磁盘读写次数。其次，利用内存映射等技术，将文件映射到内存中进行读取和处理，减少磁盘IO开销。另外，选择适合大文件处理的算法和数据结构，如分块读取、多线程并行处理等，以提高处理效率。最后，合理利用缓存和临时文件，避免数据频繁读写磁盘。通过这些方法，可以在单机上高效地处理10G大小的文件。
下面的讨论基于的假定：可以单独处理一行数据，行间数据相关性为零。
方法一：
仅使用 Python 内置模板，逐行读取到内存。
使用 yield，好处是解耦读取操作和处理操作：
def python_read(filename): with open(filename,"r",encoding="utf-8") as f: while True: line = f.readline() if not line:return yield line
以上每次读取一行，逐行迭代，逐行处理数据
if __name__ == "__main__": g = python_read("./data/movies.dat") for c in g: print(c) # process c
方法二：
方法一有缺点，逐行读入，频繁的 IO 操作拖累处理效率。是否有一次 IO ，读取多行的方法？
pandas包read_csv函数，参数有 38 个之多，功能非常强大。
关于单机处理大文件，read_csv的chunksize参数能做到，它被设置为5， 意味着一次读取 5 行。
def pandas_read(filename,sep=",",chunksize=5): reader = pd.read_csv(filename,sep,chunksize=chunksize) while True: try: yield reader.get_chunk() except StopIteration: print("---Done---") break
使用如同方法一：
if __name__ == "__main__": g = pandas_read("./data/movies.dat",sep="::") for c in g: print(c) # process c
以上就是单机处理大文件的两个方法，推荐使用方法二，更加灵活。除了工作中会用到，面试中也有时被问到。
近期文章
Python核心技术与实战
Python全栈-60天精通之路
Python网络爬虫与文本数据分析
Python数据分析相关学习资源汇总帖
漂亮~pandas可以无缝衔接Bokeh
综述:文本分析在市场营销研究中的应用
Lazy Prices公司年报内容变动碰上股价偷懒
用python帮你生产指定内容的word文档
B站跨年晚会弹幕内容分析
YelpDaset: 酒店管理类数据集10+G
NRC词语情绪词典和词语色彩词典
Loughran&McDonald金融文本情感分析库
