读取二进制文件并遍历每个字节
Posted
技术标签:
【中文标题】读取二进制文件并遍历每个字节【英文标题】：Reading binary file and looping over each byte 【发布时间】：2010-11-05 08:10:42 【问题描述】：在 Python 中，如何读取二进制文件并遍历该文件的每个字节？
【问题讨论】：
【参考方案1】：Python 2.4 及更早版本
f = open("myfile", "rb")
try:
byte = f.read(1)
while byte != "":
# Do stuff with byte.
byte = f.read(1)
finally:
f.close()
Python 2.5-2.7
with open("myfile", "rb") as f:
byte = f.read(1)
while byte != "":
# Do stuff with byte.
byte = f.read(1)
请注意，with 语句在低于 2.5 的 Python 版本中不可用。要在 v 2.5 中使用它，您需要导入它：
from __future__ import with_statement
在 2.6 中这是不需要的。
Python 3
在 Python 3 中，它有点不同。我们将不再以字节模式从流中获取原始字符，而是字节对象，因此我们需要更改条件：
with open("myfile", "rb") as f:
byte = f.read(1)
while byte != b"":
# Do stuff with byte.
byte = f.read(1)
或者正如本霍伊特所说，跳过不等于并利用b"" 评估为假的事实。这使得代码在 2.6 和 3.x 之间兼容，无需任何更改。如果您从字节模式转到文本或相反，它还可以避免更改条件。
with open("myfile", "rb") as f:
byte = f.read(1)
while byte:
# Do stuff with byte.
byte = f.read(1)
python 3.8
从现在开始感谢 := 操作符，上面的代码可以用更短的方式编写。
with open("myfile", "rb") as f:
while (byte := f.read(1)):
# Do stuff with byte.
【讨论】：
按字节读取文件是一场性能噩梦。这不是 python 中可用的最佳解决方案。应谨慎使用此代码。 @usr：文件对象是在内部缓冲的，即便如此，这也是我们所要求的。并非每个脚本都需要最佳性能。 @mezhaka：所以你把它从 read(1) 改成 read(bufsize) 并且在 while 循环中你做了一个 for-in ......这个例子仍然有效。 @usr: 性能差异可以高达for the code I've tried的200倍。 @usr - 这取决于您要处理的字节数。如果它们足够少，那么性能“差”但易于理解的代码可能会更受欢迎。 CPU 周期的浪费是为了在维护代码时节省“阅读器 CPU 周期”而得到补偿。【参考方案2】：此生成器从文件中生成字节，以块的形式读取文件：
def bytes_from_file(filename, chunksize=8192):
with open(filename, "rb") as f:
while True:
chunk = f.read(chunksize)
if chunk:
for b in chunk:
yield b
else:
break
# example:
for b in bytes_from_file('filename'):
do_stuff_with(b)
有关 iterators 和 generators 的信息，请参阅 Python 文档。
【讨论】：
@codeape 正是我想要的。但是，你如何确定块大小？可以是任意值吗？ @swdev：该示例使用 8192 Bytes 的块大小。 file.read() 函数的参数只是指定大小，即要读取的字节数。 codeape 选择了8192 Byte = 8 kB（实际上是KiB，但这并不常见）。该值是“完全”随机的，但 8 kB 似乎是一个合适的值：没有浪费太多内存，而且仍然没有像 Skurmedel 接受的答案那样“太多”读取操作......
文件系统已经缓冲了数据块，所以这段代码是多余的。最好一次读取一个字节。
虽然已经比公认的答案快，但通过用 yield from chunk 替换整个最内层的 for b in chunk: 循环，可以再加快 20-25%。这种yield 的形式是在Python 3.3 中添加的（参见Yield Expressions）。
这对我来说比接受的答案要慢。我不知道为什么。【参考方案3】：
如果文件不是太大，将其保存在内存中是个问题：
with open("filename", "rb") as f:
bytes_read = f.read()
for b in bytes_read:
process_byte(b)
其中 process_byte 表示您要对传入的字节执行的一些操作。
如果你想一次处理一个块：
with open("filename", "rb") as f:
bytes_read = f.read(CHUNKSIZE)
while bytes_read:
for b in bytes_read:
process_byte(b)
bytes_read = f.read(CHUNKSIZE)
with 语句在 Python 2.5 及更高版本中可用。
【讨论】：
您可能对我刚刚发布的benchmark 感兴趣。【参考方案4】：要读取文件——一次一个字节（忽略缓冲）——你可以使用two-argument iter(callable, sentinel) built-in function：
with open(filename, 'rb') as file:
for byte in iter(lambda: file.read(1), b''):
# Do stuff with byte
它调用file.read(1)，直到它没有返回任何东西b''（空字节串）。对于大文件，内存不会无限增长。您可以将buffering=0 传递给open()，以禁用缓冲——它保证每次迭代只读取一个字节（慢）。
with-statement 自动关闭文件——包括下面的代码引发异常的情况。
尽管默认情况下存在内部缓冲，但一次处理一个字节仍然是低效的。例如，下面是 blackhole.py 实用程序，它会吃掉所有给定的东西：
#!/usr/bin/env python3
"""Discard all input. `cat > /dev/null` analog."""
import sys
from functools import partial
from collections import deque
chunksize = int(sys.argv[1]) if len(sys.argv) > 1 else (1 << 15)
deque(iter(partial(sys.stdin.detach().read, chunksize), b''), maxlen=0)
例子：
$ dd if=/dev/zero bs=1M count=1000 | python3 blackhole.py
当 chunksize == 32768 在我的机器上时它处理 ~1.5 GB/s，而当 chunksize == 1 时只处理 ~7.5 MB/s。也就是说，一次读取一个字节要慢 200 倍。如果您可以重写您的处理以一次使用多个字节并且如果您需要性能，请考虑到这一点。
mmap 允许您同时将文件视为bytearray 和文件对象。如果您需要访问这两个接口，它可以作为将整个文件加载到内存中的替代方法。特别是，您可以只使用普通的for-loop 一次在内存映射文件上迭代一个字节：
from mmap import ACCESS_READ, mmap
with open(filename, 'rb', 0) as f, mmap(f.fileno(), 0, access=ACCESS_READ) as s:
for byte in s: # length is equal to the current file size
# Do stuff with byte
mmap 支持切片表示法。例如，mm[i:i+len] 从位置i 开始的文件中返回len 字节。 Python 3.2 之前不支持上下文管理器协议；在这种情况下，您需要显式调用mm.close()。使用mmap 迭代每个字节比file.read(1) 消耗更多的内存，但mmap 快一个数量级。
【讨论】：
我发现最后一个例子很有趣。太糟糕了，没有等效的numpy 内存映射（字节）数组。
@martineau 有numpy.memmap()，您可以一次获取一个字节的数据（ctypes.data）。您可以将 numpy 数组视为内存中的 blob + 元数据。
jfs：谢谢，好消息！不知道它存在这样的东西。很好的答案，顺便说一句。【参考方案5】：
在 Python 中读取二进制文件并遍历每个字节
Python 3.5 中的新功能是pathlib 模块，它有一个方便的方法专门将文件作为字节读取，允许我们遍历字节。我认为这是一个不错的（如果又快又脏）答案：
import pathlib
for byte in pathlib.Path(path).read_bytes():
print(byte)
有趣的是，这是提到 pathlib 的唯一答案。
在 Python 2 中，您可能会这样做（正如 Vinay Sajip 也建议的那样）：
with open(path, 'b') as file:
for byte in file.read():
print(byte)
如果文件可能太大而无法在内存中进行迭代，您可以习惯性地将其分块，使用带有callable, sentinel 签名的iter 函数 - Python 2 版本：
with open(path, 'b') as file:
callable = lambda: file.read(1024)
sentinel = bytes() # or b''
for chunk in iter(callable, sentinel):
for byte in chunk:
print(byte)
（其他几个答案都提到了这一点，但很少有人提供合理的读取大小。）
大文件或缓冲/交互式阅读的最佳实践
让我们创建一个函数来执行此操作，包括 Python 3.5+ 标准库的惯用用法：
from pathlib import Path
from functools import partial
from io import DEFAULT_BUFFER_SIZE
def file_byte_iterator(path):
"""given a path, return an iterator over the file
that lazily loads the file
"""
path = Path(path)
with path.open('rb') as file:
reader = partial(file.read1, DEFAULT_BUFFER_SIZE)
file_iterator = iter(reader, bytes())
for chunk in file_iterator:
yield from chunk
请注意，我们使用file.read1。 file.read 阻塞，直到它获得所有请求的字节或EOF。 file.read1 可以让我们避免阻塞，因此它可以更快地返回。没有其他答案也提到这一点。
最佳实践用法演示：
让我们用一兆字节（实际上是兆字节）的伪随机数据创建一个文件：
import random
import pathlib
path = 'pseudorandom_bytes'
pathobj = pathlib.Path(path)
pathobj.write_bytes(
bytes(random.randint(0, 255) for _ in range(2**20)))
现在让我们遍历它并在内存中实现它：
>>> l = list(file_byte_iterator(path))
>>> len(l)
1048576
我们可以检查数据的任何部分，例如，最后 100 个字节和前 100 个字节：
>>> l[-100:]
[208, 5, 156, 186, 58, 107, 24, 12, 75, 15, 1, 252, 216, 183, 235, 6, 136, 50, 222, 218, 7, 65, 234, 129, 240, 195, 165, 215, 245, 201, 222, 95, 87, 71, 232, 235, 36, 224, 190, 185, 12, 40, 131, 54, 79, 93, 210, 6, 154, 184, 82, 222, 80, 141, 117, 110, 254, 82, 29, 166, 91, 42, 232, 72, 231, 235, 33, 180, 238, 29, 61, 250, 38, 86, 120, 38, 49, 141, 17, 190, 191, 107, 95, 223, 222, 162, 116, 153, 232, 85, 100, 97, 41, 61, 219, 233, 237, 55, 246, 181]
>>> l[:100]
[28, 172, 79, 126, 36, 99, 103, 191, 146, 225, 24, 48, 113, 187, 48, 185, 31, 142, 216, 187, 27, 146, 215, 61, 111, 218, 171, 4, 160, 250, 110, 51, 128, 106, 3, 10, 116, 123, 128, 31, 73, 152, 58, 49, 184, 223, 17, 176, 166, 195, 6, 35, 206, 206, 39, 231, 89, 249, 21, 112, 168, 4, 88, 169, 215, 132, 255, 168, 129, 127, 60, 252, 244, 160, 80, 155, 246, 147, 234, 227, 157, 137, 101, 84, 115, 103, 77, 44, 84, 134, 140, 77, 224, 176, 242, 254, 171, 115, 193, 29]
二进制文件不要逐行迭代
不要执行以下操作 - 这会拉取任意大小的块，直到它到达换行符 - 当块太小并且可能太大时太慢：
with open(path, 'rb') as file:
for chunk in file: # text newline iteration - not for bytes
yield from chunk
以上内容仅适用于您应该在没有'b' 标志。
【讨论】：
这好多了...谢谢你这样做。我知道回到两年前的答案并不总是很有趣，但我很感激你这样做了。我特别喜欢“不要逐行迭代”副标题 :-) 嗨 Aaron，您有什么理由选择使用path = Path(path), with path.open('rb') as file: 而不是使用内置的 open 函数吗？他们都做同样的事情对吗？
@JoshuaYonathan 我使用Path 对象，因为它是处理路径的一种非常方便的新方法。我们可以简单地调用路径对象上的方法，而不是将字符串传递给精心挑选的“正确”函数，它本质上包含您想要的大部分重要功能，语义上是路径字符串。使用可以检查的 IDE，我们也可以更轻松地获得自动完成功能。我们可以使用内置的open 完成相同的操作，但是在编写程序以供程序员使用Path 对象时有很多好处。
你提到的最后一个使用函数file_byte_iterator的方法比我在这个页面上尝试过的所有方法都要快得多。向你致敬！
@RickM：您可能对我刚刚发布的benchmark 感兴趣。【参考方案6】：
总结 chrispy、Skurmedel、Ben Hoyt 和 Peter Hansen 的所有亮点，这将是一次处理一个字节的二进制文件的最佳解决方案：
with open("myfile", "rb") as f:
while True:
byte = f.read(1)
if not byte:
break
do_stuff_with(ord(byte))
对于python 2.6及以上版本，因为：
python 内部缓冲区 - 无需读取块 DRY 原则——不重复读行 with 语句确保一个干净的文件关闭 当没有更多字节时（而不是当一个字节为零时），'byte' 的计算结果为 false或使用 J. F. Sebastians 解决方案来提高速度
from functools import partial
with open(filename, 'rb') as file:
for byte in iter(partial(file.read, 1), b''):
# Do stuff with byte
或者，如果您希望它作为生成器函数，如 codeape 演示的那样：
def bytes_from_file(filename):
with open(filename, "rb") as f:
while True:
byte = f.read(1)
if not byte:
break
yield(ord(byte))
# example:
for b in bytes_from_file('filename'):
do_stuff_with(b)
【讨论】：
正如链接的答案所说，即使读取被缓冲，在 Python 中一次读取/处理一个字节仍然很慢。如果可以像链接答案中的示例那样一次处理几个字节，则性能可以大大提高：1.5GB/s 与 7.5MB/s。【参考方案7】：这篇文章本身并不是对这个问题的直接回答。相反，它是一个数据驱动的可扩展基准，可用于比较已发布到此问题的许多答案（以及利用后来更现代的 Python 版本中添加的新功能的变体）——因此应该有助于确定哪个性能最佳。
在某些情况下，我修改了引用答案中的代码，使其与基准框架兼容。
首先，以下是当前最新版本的 Python 2 和 3 的结果：
Fastest to slowest execution speeds with 32-bit Python 2.7.16
numpy version 1.16.5
Test file size: 1,024 KiB
100 executions, best of 3 repetitions
1 Tcll (array.array) : 3.8943 secs, rel speed 1.00x, 0.00% slower (262.95 KiB/sec)
2 Vinay Sajip (read all into memory) : 4.1164 secs, rel speed 1.06x, 5.71% slower (248.76 KiB/sec)
3 codeape + iter + partial : 4.1616 secs, rel speed 1.07x, 6.87% slower (246.06 KiB/sec)
4 codeape : 4.1889 secs, rel speed 1.08x, 7.57% slower (244.46 KiB/sec)
5 Vinay Sajip (chunked) : 4.1977 secs, rel speed 1.08x, 7.79% slower (243.94 KiB/sec)
6 Aaron Hall (Py 2 version) : 4.2417 secs, rel speed 1.09x, 8.92% slower (241.41 KiB/sec)
7 gerrit (struct) : 4.2561 secs, rel speed 1.09x, 9.29% slower (240.59 KiB/sec)
8 Rick M. (numpy) : 8.1398 secs, rel speed 2.09x, 109.02% slower (125.80 KiB/sec)
9 Skurmedel : 31.3264 secs, rel speed 8.04x, 704.42% slower ( 32.69 KiB/sec)
Benchmark runtime (min:sec) - 03:26
Fastest to slowest execution speeds with 32-bit Python 3.8.0
numpy version 1.17.4
Test file size: 1,024 KiB
100 executions, best of 3 repetitions
1 Vinay Sajip + "yield from" + "walrus operator" : 3.5235 secs, rel speed 1.00x, 0.00% slower (290.62 KiB/sec)
2 Aaron Hall + "yield from" : 3.5284 secs, rel speed 1.00x, 0.14% slower (290.22 KiB/sec)
3 codeape + iter + partial + "yield from" : 3.5303 secs, rel speed 1.00x, 0.19% slower (290.06 KiB/sec)
4 Vinay Sajip + "yield from" : 3.5312 secs, rel speed 1.00x, 0.22% slower (289.99 KiB/sec)
5 codeape + "yield from" + "walrus operator" : 3.5370 secs, rel speed 1.00x, 0.38% slower (289.51 KiB/sec)
6 codeape + "yield from" : 3.5390 secs, rel speed 1.00x, 0.44% slower (289.35 KiB/sec)
7 jfs (mmap) : 4.0612 secs, rel speed 1.15x, 15.26% slower (252.14 KiB/sec)
8 Vinay Sajip (read all into memory) : 4.5948 secs, rel speed 1.30x, 30.40% slower (222.86 KiB/sec)
9 codeape + iter + partial : 4.5994 secs, rel speed 1.31x, 30.54% slower (222.64 KiB/sec)
10 codeape : 4.5995 secs, rel speed 1.31x, 30.54% slower (222.63 KiB/sec)
11 Vinay Sajip (chunked) : 4.6110 secs, rel speed 1.31x, 30.87% slower (222.08 KiB/sec)
12 Aaron Hall (Py 2 version) : 4.6292 secs, rel speed 1.31x, 31.38% slower (221.20 KiB/sec)
13 Tcll (array.array) : 4.8627 secs, rel speed 1.38x, 38.01% slower (210.58 KiB/sec)
14 gerrit (struct) : 5.0816 secs, rel speed 1.44x, 44.22% slower (201.51 KiB/sec)
15 Rick M. (numpy) + "yield from" : 11.8084 secs, rel speed 3.35x, 235.13% slower ( 86.72 KiB/sec)
16 Skurmedel : 11.8806 secs, rel speed 3.37x, 237.18% slower ( 86.19 KiB/sec)
17 Rick M. (numpy) : 13.3860 secs, rel speed 3.80x, 279.91% slower ( 76.50 KiB/sec)
Benchmark runtime (min:sec) - 04:47
我还使用一个更大的 10 MiB 测试文件（运行了将近一个小时）运行它，并获得了与上面显示的性能相当的结果。
这是用于进行基准测试的代码：
from __future__ import print_function
import array
import atexit
from collections import deque, namedtuple
import io
from mmap import ACCESS_READ, mmap
import numpy as np
from operator import attrgetter
import os
import random
import struct
import sys
import tempfile
from textwrap import dedent
import time
import timeit
import traceback
try:
xrange
except NameError: # Python 3
xrange = range
class KiB(int):
""" KibiBytes - multiples of the byte units for quantities of information. """
def __new__(self, value=0):
return 1024*value
BIG_TEST_FILE = 1 # MiBs or 0 for a small file.
SML_TEST_FILE = KiB(64)
EXECUTIONS = 100 # Number of times each "algorithm" is executed per timing run.
TIMINGS = 3 # Number of timing runs.
CHUNK_SIZE = KiB(8)
if BIG_TEST_FILE:
FILE_SIZE = KiB(1024) * BIG_TEST_FILE
else:
FILE_SIZE = SML_TEST_FILE # For quicker testing.
# Common setup for all algorithms -- prefixed to each algorithm's setup.
COMMON_SETUP = dedent("""
# Make accessible in algorithms.
from __main__ import array, deque, get_buffer_size, mmap, np, struct
from __main__ import ACCESS_READ, CHUNK_SIZE, FILE_SIZE, TEMP_FILENAME
from functools import partial
try:
xrange
except NameError: # Python 3
xrange = range
""")
def get_buffer_size(path):
""" Determine optimal buffer size for reading files. """
st = os.stat(path)
try:
bufsize = st.st_blksize # Available on some Unix systems (like Linux)
except AttributeError:
bufsize = io.DEFAULT_BUFFER_SIZE
return bufsize
# Utility primarily for use when embedding additional algorithms into benchmark.
VERIFY_NUM_READ = """
# Verify generator reads correct number of bytes (assumes values are correct).
bytes_read = sum(1 for _ in file_byte_iterator(TEMP_FILENAME))
assert bytes_read == FILE_SIZE, \
'Wrong number of bytes generated: got :, instead of :,'.format(
bytes_read, FILE_SIZE)
"""
TIMING = namedtuple('TIMING', 'label, exec_time')
class Algorithm(namedtuple('CodeFragments', 'setup, test')):
# Default timeit "stmt" code fragment.
_TEST = """
#for b in file_byte_iterator(TEMP_FILENAME): # Loop over every byte.
# pass # Do stuff with byte...
deque(file_byte_iterator(TEMP_FILENAME), maxlen=0) # Data sink.
"""
# Must overload __new__ because (named)tuples are immutable.
def __new__(cls, setup, test=None):
""" Dedent (unindent) code fragment string arguments.
Args:
`setup` -- Code fragment that defines things used by `test` code.
In this case it should define a generator function named
`file_byte_iterator()` that will be passed that name of a test file
of binary data. This code is not timed.
`test` -- Code fragment that uses things defined in `setup` code.
Defaults to _TEST. This is the code that's timed.
"""
test = cls._TEST if test is None else test # Use default unless one is provided.
# Uncomment to replace all performance tests with one that verifies the correct
# number of bytes values are being generated by the file_byte_iterator function.
#test = VERIFY_NUM_READ
return tuple.__new__(cls, (dedent(setup), dedent(test)))
algorithms =
'Aaron Hall (Py 2 version)': Algorithm("""
def file_byte_iterator(path):
with open(path, "rb") as file:
callable = partial(file.read, 1024)
sentinel = bytes() # or b''
for chunk in iter(callable, sentinel):
for byte in chunk:
yield byte
"""),
"codeape": Algorithm("""
def file_byte_iterator(filename, chunksize=CHUNK_SIZE):
with open(filename, "rb") as f:
while True:
chunk = f.read(chunksize)
if chunk:
for b in chunk:
yield b
else:
break
"""),
"codeape + iter + partial": Algorithm("""
def file_byte_iterator(filename, chunksize=CHUNK_SIZE):
with open(filename, "rb") as f:
for chunk in iter(partial(f.read, chunksize), b''):
for b in chunk:
yield b
"""),
"gerrit (struct)": Algorithm("""
def file_byte_iterator(filename):
with open(filename, "rb") as f:
fmt = 'B'.format(FILE_SIZE) # Reads entire file at once.
for b in struct.unpack(fmt, f.read()):
yield b
"""),
'Rick M. (numpy)': Algorithm("""
def file_byte_iterator(filename):
for byte in np.fromfile(filename, 'u1'):
yield byte
"""),
"Skurmedel": Algorithm("""
def file_byte_iterator(filename):
with open(filename, "rb") as f:
byte = f.read(1)
while byte:
yield byte
byte = f.read(1)
"""),
"Tcll (array.array)": Algorithm("""
def file_byte_iterator(filename):
with open(filename, "rb") as f:
arr = array.array('B')
arr.fromfile(f, FILE_SIZE) # Reads entire file at once.
for b in arr:
yield b
"""),
"Vinay Sajip (read all into memory)": Algorithm("""
def file_byte_iterator(filename):
with open(filename, "rb") as f:
bytes_read = f.read() # Reads entire file at once.
for b in bytes_read:
yield b
"""),
"Vinay Sajip (chunked)": Algorithm("""
def file_byte_iterator(filename, chunksize=CHUNK_SIZE):
with open(filename, "rb") as f:
chunk = f.read(chunksize)
while chunk:
for b in chunk:
yield b
chunk = f.read(chunksize)
"""),
# End algorithms
#
# Versions of algorithms that will only work in certain releases (or better) of Python.
#
if sys.version_info >= (3, 3):
algorithms.update(
'codeape + iter + partial + "yield from"': Algorithm("""
def file_byte_iterator(filename, chunksize=CHUNK_SIZE):
with open(filename, "rb") as f:
for chunk in iter(partial(f.read, chunksize), b''):
yield from chunk
"""),
'codeape + "yield from"': Algorithm("""
def file_byte_iterator(filename, chunksize=CHUNK_SIZE):
with open(filename, "rb") as f:
while True:
chunk = f.read(chunksize)
if chunk:
yield from chunk
else:
break
"""),
"jfs (mmap)": Algorithm("""
def file_byte_iterator(filename):
with open(filename, "rb") as f, \
mmap(f.fileno(), 0, access=ACCESS_READ) as s:
yield from s
"""),
'Rick M. (numpy) + "yield from"': Algorithm("""
def file_byte_iterator(filename):
# data = np.fromfile(filename, 'u1')
yield from np.fromfile(filename, 'u1')
"""),
'Vinay Sajip + "yield from"': Algorithm("""
def file_byte_iterator(filename, chunksize=CHUNK_SIZE):
with open(filename, "rb") as f:
chunk = f.read(chunksize)
while chunk:
yield from chunk # Added in Py 3.3
chunk = f.read(chunksize)
"""),
) # End Python 3.3 update.
if sys.version_info >= (3, 5):
algorithms.update(
'Aaron Hall + "yield from"': Algorithm("""
from pathlib import Path
def file_byte_iterator(path):
''' Given a path, return an iterator over the file
that lazily loads the file.
'''
path = Path(path)
bufsize = get_buffer_size(path)
with path.open('rb') as file:
reader = partial(file.read1, bufsize)
for chunk in iter(reader, bytes()):
yield from chunk
"""),
) # End Python 3.5 update.
if sys.version_info >= (3, 8, 0):
algorithms.update(
'Vinay Sajip + "yield from" + "walrus operator"': Algorithm("""
def file_byte_iterator(filename, chunksize=CHUNK_SIZE):
with open(filename, "rb") as f:
while chunk := f.read(chunksize):
yield from chunk # Added in Py 3.3
"""),
'codeape + "yield from" + "walrus operator"': Algorithm("""
def file_byte_iterator(filename, chunksize=CHUNK_SIZE):
with open(filename, "rb") as f:
while chunk := f.read(chunksize):
yield from chunk
"""),
) # End Python 3.8.0 update.update.
#### Main ####
def main():
global TEMP_FILENAME
def cleanup():
""" Clean up after testing is completed. """
try:
os.remove(TEMP_FILENAME) # Delete the temporary file.
except Exception:
pass
atexit.register(cleanup)
# Create a named temporary binary file of pseudo-random bytes for testing.
fd, TEMP_FILENAME = tempfile.mkstemp('.bin')
with os.fdopen(fd, 'wb') as file:
os.write(fd, bytearray(random.randrange(256) for _ in range(FILE_SIZE)))
# Execute and time each algorithm, gather results.
start_time = time.time() # To determine how long testing itself takes.
timings = []
for label in algorithms:
try:
timing = TIMING(label,
min(timeit.repeat(algorithms[label].test,
setup=COMMON_SETUP + algorithms[label].setup,
repeat=TIMINGS, number=EXECUTIONS)))
except Exception as exc:
print(' occurred timing the algorithm: ""\n '.format(
type(exc).__name__, label, exc))
traceback.print_exc(file=sys.stdout) # Redirect to stdout.
sys.exit(1)
timings.append(timing)
# Report results.
print('Fastest to slowest execution speeds with -bit Python ..'.format(
64 if sys.maxsize > 2**32 else 32, *sys.version_info[:3]))
print(' numpy version '.format(np.version.full_version))
print(' Test file size: :, KiB'.format(FILE_SIZE // KiB(1)))
print(' :,d executions, best of :d repetitions'.format(EXECUTIONS, TIMINGS))
print()
longest = max(len(timing.label) for timing in timings) # Len of longest identifier.
ranked = sorted(timings, key=attrgetter('exec_time')) # Sort so fastest is first.
fastest = ranked[0].exec_time
for rank, timing in enumerate(ranked, 1):
print(':<2d :>width : :8.4f secs, rel speed :6.2fx, :6.2f% slower '
'(:6.2f KiB/sec)'.format(
rank,
timing.label, timing.exec_time, round(timing.exec_time/fastest, 2),
round((timing.exec_time/fastest - 1) * 100, 2),
(FILE_SIZE/timing.exec_time) / KiB(1), # per sec.
width=longest))
print()
mins, secs = divmod(time.time()-start_time, 60)
print('Benchmark runtime (min:sec) - :02d::02d'.format(int(mins),
int(round(secs))))
main()
【讨论】：
你是否假设我使用yield from chunk 而不是for byte in chunk: yield byte？我想我应该加强我的回答。
@Aaron：您在 Python 3 结果中的答案有两个版本，其中一个使用yield from。
好的，我已经更新了我的答案。我也建议你放弃enumerate，因为应该理解迭代完成 - 如果没有，最后我检查过 - 与使用 += 1 为索引进行簿记相比，枚举有一些开销，因此你可以选择执行在您自己的代码中记账。甚至可以使用maxlen=0 传递给双端队列。
@Aaron：同意enumerate。感谢您的反馈。将在我的帖子中添加一个没有它的更新（尽管我认为它不会对结果产生太大影响）。还将添加@Rick M. 的基于numpy 的答案。
更多代码审查：我认为此时编写 Python 2 的答案没有任何意义 - 我会考虑删除 Python 2，因为我希望您使用 64 位 Python 3.7 或 3.8。您可以使用 atexit 和部分应用程序将清理设置为最后。错字：“验证”。我认为测试字符串的重复没有任何意义——它们完全不同吗？我想如果你在__new__ 中使用super(). 而不是tuple.，你可以使用namedtuple 属性名称而不是索引。【参考方案8】：
Python 3，一次读取所有文件：
with open("filename", "rb") as binary_file:
# Read the whole file at once
data = binary_file.read()
print(data)
您可以使用data 变量来迭代任何您想要的东西。
【讨论】：
【参考方案9】：在尝试了以上所有方法并使用@Aaron Hall 的答案后，我在运行 Window 10、8 Gb RAM 和 Python 3.5 32 位的计算机上遇到了一个 ~90 Mb 文件的内存错误。一位同事建议我改用numpy，效果非常好。
到目前为止，读取整个二进制文件（我已经测试过）的最快速度是：
import numpy as np
file = "binary_file.bin"
data = np.fromfile(file, 'u1')
Reference
目前比任何其他方法都快。希望它可以帮助某人！
【讨论】：
@Nirmal：问题是关于循环到达字节，所以不清楚您对不同数据类型的评论是否有任何影响。 Rick：你的代码做的事情和其他的不太一样——即循环遍历每个字节。如果将其添加到其中，至少根据我的benchmark 中的结果，它不会比大多数其他人快。事实上，它似乎是较慢的方法之一。如果对每个字节的处理（无论是什么）都可以通过numpy 完成，那么可能是值得的。
@martineau 感谢您的 cmets，是的，我确实理解问题是关于循环遍历每个字节，而不仅仅是一次性加载所有内容，但这个问题中还有其他答案也指向阅读所有内容，因此我的回答
@Nirmal 你也错了。文件中的 numpy 可以使用 dtypes 读取不同的类型： ==================================== dtheader= np.dtype ([('起始名称','b', (4,)), ('消息类型', np.int32, (1,)), ('Instance', np.int32, (1,)), ( 'NumItems', np.int32, (1,)), ('Length', np.int32, (1,)), ('ComplexArray', np.int32, (1,))]) dtheader=dtheader.newbyteorder ('>') headerinfo = np.fromfile(iqfile, dtype=dtheader, count=1)
@KurtPeters 哦，我不知道您可以传递自定义 dtype。谢谢！【参考方案10】：
如果您要读取大量二进制数据，您可能需要考虑struct module。它被记录为“在 C 和 Python 类型之间”进行转换，但是当然，字节就是字节，而这些是否被创建为 C 类型并不重要。例如，如果您的二进制数据包含两个 2 字节整数和一个 4 字节整数，您可以按如下方式读取它们（示例取自 struct 文档）：
>>> struct.unpack('hhl', b'\x00\x01\x00\x02\x00\x00\x00\x03')
(1, 2, 3)
您可能会发现这比显式循环文件内容更方便、更快捷，或两者兼而有之。
【讨论】：
【参考方案11】：如果您正在寻找快速的东西，这是我多年来一直在使用的一种方法：
from array import array
with open( path, 'rb' ) as file:
data = array( 'B', file.read() ) # buffer the file
# evaluate it's data
for byte in data:
v = byte # int value
c = chr(byte)
如果你想迭代chars而不是ints，你可以简单地使用data = file.read()，它应该是py3中的一个bytes()对象。
【讨论】：
'array'由'from array import array'导入 @quanly_mc 是的，谢谢你看到这个，很抱歉我忘了包括那个，现在编辑。【参考方案12】：对于大尺寸我认为使用生成器不会不好，这个答案是为了读取文件之类的东西，尽管@codeapp 有一个类似的答案我认为删除内部循环会更有意义。
def read_chunk(file_object, chunk_size=125):
while True:
file = file_object.read(chunk_size)
if not file:
break
yield file
#sample use
buffer = io.BytesIO()
file = open('myfile', 'r')
for chunk in read_chunk(file):
buffer.write(chunk)
buffer.seek(0)
// save the file or do whatever you want here
您仍然可以将其用作普通列表，我认为这没有任何用处，但是
file_list = list(read_chunk(file, chunk_size=10000))
for i in file_list:
# do something
并且还得到每个块的索引
for index, chunk in enumurate(read_chunk(file, chunk_size=10000)):
#use the index as a number index
# you can try and get the size of each chunk with this
length = len(chunk)
请注意，支付注意文件的大小，注意chunk_size总是以字节为单位。
【讨论】：
【参考方案13】：这是一个使用 Numpy fromfile 寻址上述@Nirmal cmets 读取网络字节序数据的示例：
dtheader= np.dtype([('Start Name','b', (4,)),
('Message Type', np.int32, (1,)),
('Instance', np.int32, (1,)),
('NumItems', np.int32, (1,)),
('Length', np.int32, (1,)),
('ComplexArray', np.int32, (1,))])
dtheader=dtheader.newbyteorder('>')
headerinfo = np.fromfile(iqfile, dtype=dtheader, count=1)
print(raw['Start Name'])
我希望这会有所帮助。问题是 fromfile 无法识别 EOF 并允许优雅地跳出任意大小的文件的循环。
【讨论】：
以上是关于读取二进制文件并遍历每个字节的主要内容，如果未能解决你的问题，请参考以下文章