Python 大数据的代码性能 os.path.getsize

Question

下面是我按升序获取文件大小的代码。

def Create_Files_Structure(directoryname):
   for path, subdirs, files in os.walk(directoryname,followlinks=False):
        subdirs[:] = [d for d in subdirs if not d[0] == '.']
        try:
           files_list.extend([(os.path.join(path, file),os.path.getsize(os.path.join(path, file))) for file in files ])
        except Exception as e:
            print()
   files_list.sort(key=lambda s: s[1], reverse=True)
   for pair in files_list:
     print(pair)
   print(len(files_list))

start=time.time()
Create_Files_Structure("/home/<username>")
end=time.time()
print(end-start)

此代码有效，但如果目录大小以 TB 或 PB 为单位，性能会很慢。请提出任何改进代码以获得更快结果的建议。

Answer 1

好问题试试这个：

import time, os

def create_files_structuredire_2(ctoryname):

    files_list = []
    counter = 0

    for dirpath, _, filenames in os.walk(ctoryname):

        for items in filenames:

            file_full_path = os.path.abspath(os.path.join(dirpath, items))
            get_size = os.path.getsize(file_full_path)
            files_list.append((file_full_path, get_size))
            counter += 1

    files_list.sort(key=lambda s: s[1], reverse=True)
    [print(f) for f in files_list]
    print(counter)


start = time.time()
create_files_structuredire_2("your_target_folder")
end = time.time()
print(end-start)

注意：你的时间是 0.044736385345458984，我的时间是 0.001501321792602539!!!!!!

祝你好运...

Answer 2

要了解您的速度有多快，请在目录上尝试运行和计时 du -k。对于完整列表，您可能不会比 Python 更快。
如果您运行使用 Python < 3.5，请尝试升级或使用 scandir 以获得不错的性能改进。
如果您真的不需要整个文件列表但可以接受例如最大的 1000 个文件：

避免保留列表并使用 heapq.nlargest 和生成器

def get_sizes(root):
  for path, dirs, files in os.walk(root):
    dirs[:] = [d for d in dirs if not d.startswith('.')]
    for file in files:
        full_path = os.path.join(path, file)
        try:
          # keeping the size first means no need for a key function
          # which can affect performance
          yield (os.path.getsize(full_path), full_path)
        except Exception:
          pass

import heapq
for (size, name) in heapq.nlargest(1000, get_sizes(r"c:\some\path")):
  print(name, size)

编辑 - 在 Windows 上变得更快 - os.scandir 产生已经包含有助于避免另一个系统调用的大小的条目。

这意味着使用 os.scandir 并自己递归，而不是依赖 os.walk，后者不会产生该信息。

scandir PEP 471 中有一个类似的工作示例 get_tree_size() 函数，可以轻松修改以生成名称和大小。每个条目的大小都可以通过 entry.stat(follow_symlinks=False).st_size.

访问

Python 大数据的代码性能 os.path.getsize

Python code performance on big data os.path.getsize

python

python-3.x

performance

os.walk