Python大文件分块读取技巧
Python处理大文件时极易因内存溢出(MemoryError)而崩溃,根本原因在于open()默认会将整个文件一次性加载到内存;真正高效安全的做法是采用分块读取策略:对文本文件优先使用for line in f:按行迭代,对二进制或特殊格式则用f.read(chunk_size)配合8KB–64KB的合理块大小,既对齐底层IO单元又避免频繁系统调用;同时需警惕生成器中yield对象的生命周期与副本问题,确保每次产出独立数据;而面对CSV等结构化数据,更推荐直接使用pandas.read_csv(..., chunksize=N)这一封装完善的分块接口——分块读的核心从来不是追求极致速度,而是让内存占用稳定可控,把精力留给业务逻辑而非手动处理换行、编码和边界截断等隐形陷阱。

用 open() 直接读大文件会崩内存?
会。哪怕只是 open('huge.log').read(),Python 也会把整个文件塞进内存——几 GB 的日志或 CSV 一读就 MemoryError。这不是 Python 慢,是它默认不帮你分块。
真正该做的是:用生成器控制每次只加载一小段,让内存占用稳定在几十 MB 内。
- 别用
read()或readlines()一次性读完 - 优先用
for line in f:—— 这是内置的按行迭代,底层已缓冲,够快也够省 - 如果必须按字节块读(比如处理二进制、或行太长没换行符),才用
f.read(chunk_size)
chunk_size 设多大才合理?
不是越大越好,也不是越小越稳。设得太小(如 1 字节)会导致系统调用频繁,IO 效率暴跌;设得太大(如 100_000_000)又失去分块意义。
经验值是 8192(8KB)到 65536(64KB)之间。Linux 默认页大小是 4KB,多数磁盘/SSD 的块大小是 4–64KB,这个范围能对齐底层 IO 单元。
- 文本文件按行处理?直接用
for line in f:,不用管chunk_size - 需要精确控制字节量(比如解析自定义二进制协议)?
chunk_size = 65536是安全起点 - 网络流或管道输入?
chunk_size建议 ≤4096,避免阻塞太久
写生成器函数时,yield 放哪儿容易出错?
常见错误是把 yield 放在 with open() 外面,或者在循环里 yield 了同一个可变对象(比如 list),结果所有 chunk 都指向最后一块数据。
关键点:每次 yield 的必须是独立副本,且文件句柄生命周期要可控。
- 必须在
with open(...)语句块内 yield,否则文件提前关闭 - 别写
data = []; data.extend(chunk); yield data—— 应该yield list(chunk)或yield chunk.copy() - 如果处理文本并想按行切分,别自己
split('\n'),用io.TextIOWrapper的迭代行为更可靠
示例(安全的字节块生成器):
def read_in_chunks(file_path, chunk_size=65536):
with open(file_path, 'rb') as f:
while True:
chunk = f.read(chunk_size)
if not chunk:
break
yield chunk # 注意:这里 yield 的是新 bytes 对象,每次都不一样用 pandas.read_csv() 读大 CSV,chunksize 和 iterator 怎么配?
chunksize 不是“一次读多少行”,而是“返回一个可迭代的 TextFileReader 对象”;不设 iterator=True,chunksize 就无效。
真正生效的组合只有一种:pd.read_csv(..., chunksize=N) → 返回一个迭代器,每次 next() 或 for 得到一个 DataFrame;设成 iterator=False(默认)就直接报错。
chunksize=1000表示每次 yield 一个含约 1000 行的DataFrame,不是 1000 字节- 列类型推断只在第一块做,后续 chunk 若有空值或类型不一致,可能报
TypeError—— 建议显式传dtype - 如果文件带 BOM 或编码异常,
encoding='utf-8-sig'比'utf-8'更稳妥
分块读的本质不是“怎么读快”,是“不让内存被撑爆”。很多人卡在 chunk_size 数值上,其实更该先确认:你真需要手动分块?还是用 for line in f: 或 pd.read_csv(chunksize=...) 就够了。手动管理 chunk,意味着你要对换行、编码、边界截断全负责——这点最容易被忽略。
本篇关于《Python大文件分块读取技巧》的介绍就到此结束啦,但是学无止境,想要了解学习更多关于文章的相关知识,请关注golang学习网公众号!
汽车之家app写车型点评步骤详解
- 上一篇
- 汽车之家app写车型点评步骤详解
- 下一篇
- 钉钉主管考勤权限设置教程
-
- 文章 · python教程 | 11小时前 | python · Python 十六进制 二进制调试 memoryview.hex bytes_per_sep
- Python memoryview.hex 怎样为十六进制输出设置分组分隔符
- 480浏览 收藏
-
- 文章 · python教程 | 11小时前 | python · Python decimal context same_quantum
- Python decimal.Context.same_quantum 怎样判断两个十进制数的指数是否相同
- 336浏览 收藏
-
- 文章 · python教程 | 12小时前 |
- Python textwrap.TextWrapper.drop_whitespace 怎样控制换行边缘的空白保留
- 238浏览 收藏
-
- 文章 · python教程 | 13小时前 | 标准库 · python · Python 参数绑定 Signature BoundArguments inspect.Signature.bind_partial
- Python inspect.Signature.bind_partial 怎样允许缺省必填参数进行部分绑定
- 492浏览 收藏
-
- 文章 · python教程 | 14小时前 | python · 文件系统 · Python 文件比较 mtime filecmp.clear_cache filecmp.cmp 比较缓存
- Python filecmp.clear_cache 怎样清除文件比较结果缓存
- 290浏览 收藏
-
- 文章 · python教程 | 15小时前 | 标准库 · 递归 · python · Python 解释器 递归限制 sys.getrecursionlimit
- Python sys.getrecursionlimit 怎样读取解释器设置的递归深度上限
- 129浏览 收藏
-
- 文章 · python教程 | 17小时前 | Python教程 · Python memoryview memoryview.toreadonly bytearray 只读视图 缓冲区协议
- Python memoryview.toreadonly 怎样生成只读视图而不复制底层数据
- 470浏览 收藏
-
- 文章 · python教程 | 17小时前 | 标准库 · Python教程 · Python decimal flags 精度 舍入 Context.copy_abs Decimal.copy_abs
- Python decimal.Context.copy_abs 怎样取绝对值而不受当前精度舍入影响
- 389浏览 收藏
-
- 文章 · python教程 | 18小时前 | 字符串 · 标准库 · Python教程 · Python placeholder 文本截断 textwrap TextWrapper max_lines
- Python textwrap.TextWrapper.placeholder 怎样为截断后的段落设置结束标记
- 301浏览 收藏
-
- 文章 · python教程 | 19小时前 | python · Python 参数绑定 inspect BoundArguments apply_defaults
- Python inspect.BoundArguments.apply_defaults 怎样给已绑定参数补上默认值
- 411浏览 收藏
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
- 1102次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
- 1099次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
- 1270次使用
-
- HELM
- 深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
- 1211次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
- 1058次使用
-
- Python TaskGroup 怎样让子任务失败统一收敛
- 2026-11-12 501浏览
-
- Python xml.dom.minidom.unlink 怎样释放不再使用的 DOM 树引用
- 2026-10-27 501浏览
-
- Python typing 怎样用 TypeIs 缩小类型
- 2026-10-24 501浏览
-
- Python sqlite3 Connection serialize 怎么导出数据库快照:备份窗口、内存占用与恢复校验
- 2026-08-26 501浏览
-
- Python监控网页状态:requests异常处理实战
- 2026-05-29 501浏览

