在 python 中逐行迭代大型 .xz 文件

Question

我有一个很大的 .xz 文件（几千兆字节）。它充满了纯文本。我想处理文本以创建自定义数据集。我想逐行阅读它，因为它太大了。有人知道怎么做吗？

我已经试过了 How to open and read LZMA file in-memory 但它不起作用。

编辑：我收到此错误 'ascii' 编解码器无法解码位置 0 中的字节 0xfd：序号不在范围内 (128)

来自 link

的 for line in uncompressed: 行

EDIT2：我的代码（使用 python 3.5）

with open(filename) as compressed:
    with lzma.LZMAFile(compressed) as uncompressed:
        for line in uncompressed:
            print(line)

Answer 1

几周前我遇到了同样的问题。这段代码对我有用：

import lzma
with lzma.open('filename.xz', mode='rt') as file:
    for line in file:
       print(line)

这假设压缩文件中的文本数据以 utf-8 编码（我的数据就是这种情况）。函数 lzma.open() 中有一个 encoding 参数，它允许您根据需要设置另一个编码

编辑（在您自己编辑之后）：尝试在 lmza.open()

中强制执行 encoding='utf-8'

Iterate a large .xz file line by line in python