Python 2 vs.3缓慢的os.path.getmtime()具有庞大的文件列表-为什么呢？

概述我目前正在成功使用python 2.7脚本,该脚本以递归方式遍历巨大的目录/文件路径,收集所有文件的路径,获取此类文件的mtime以及具有相同路径和名称但pdf的各个文件的mtime文件进行比较.我在python 2.7脚本中使用scandir.walk(),在python 3.7中使用os.walk(),最近已更新为也使用scandir算法(无其他stat

我目前正在成功使用python 2.7脚本,该脚本以递归方式遍历巨大的目录/文件路径,收集所有文件的路径,获取此类文件的mtime以及具有相同路径和名称但pdf的各个文件的mtime文件进行比较.我在python 2.7脚本中使用scandir.walk(),在python 3.7中使用os.walk(),最近已更新为也使用scandir算法(无其他stat()调用).

但是,脚本的python 3版本仍然明显慢一些！这不是由于算法的scandir / walk部分造成的,而是由于getmtime算法(但是,在python2和3中是相同的调用)或由于处理了巨大的列表(我们在说〜).此列表中有500.000个条目).

任何想法可能导致此问题以及如何解决此问题？

@H_403_9@#!/usr/bin/env python3## imports#import sysimport timefrom datetime import datetimeimport osimport re## MAIN THREAD#if __name__ == '__main__': source_dir = '/path_to_data/' # Get file List files_List = [] for root,directorIEs,filenames in os.walk(source_dir): # Filter for extension for filename in filenames: if (filename.lower().endswith(('.msg','.doc','.docx','.xls','.xlsx'))) and (not filename.lower().startswith('~')): files_List.append(os.path.join(root,filename)) # Sort List files_List.sort(reverse=True) # For each file,the printing routine is performed (including necessity check) all_documents_counter = len(files_List) for docfile_abs in files_List: print('\n' + docfile_abs) # define files filepathname_abs,file_extension = os.path.splitext(docfile_abs) filepath_abs,filename = os.path.split(filepathname_abs) # If the filename does not have the format # # # # # # # *.xxx (e.g. seven numbers),then it is checked whether it is referenced in the databse. If not,it is moved to a certain directory if (re.match(r'[0-9][0-9][0-9][0-9][0-9][0-9][0-9](([Aa][0-9][0-9]?)?|(_[0-9][0-9]?)?|([Aa][0-9][0-9]?_[0-9][0-9]?)?)\...?.?',filename + file_extension) is None): if any(Expression in docfile_abs for Expression in ignore_subdirs): pass else: print('Not in database') # DOC docfile_rel = docfile_abs.replace(source_dir,'') # Check pdf try: pdf_file_abs = filepathname_abs + '.pdf' pdf_file_timestamp = os.path.getmtime(pdf_file_abs) check_pdf = True except(fileNotFoundError): check_pdf = False # Check pdf try: pdf_file_abs = filepathname_abs + '.pdf' pdf_file_timestamp = os.path.getmtime(pdf_file_abs) check_pdf = True except(fileNotFoundError): check_pdf = False # Check whether ther are lowercase or uppercase extension and decIDe what to do if there are none,just one or both present if (check_pdf is True) and (check_pdf is False): # Lower case case pdf_extension = '.pdf' pdffile_timestamp = pdf_file_timestamp elif (check_pdf is False) and (check_pdf is True): # Upper case case pdf_extension = '.pdf' pdffile_timestamp = pdf_file_timestamp elif (check_pdf is False) and (check_pdf is False): # None -> set timestampt to zero pdf_extension = '.pdf' pdffile_timestamp = 0 elif (check_pdf is True) and (check_pdf is True): # Both are present,decIDe for the newest and move the other to a directory if (pdf_file_timestamp < pdf_file_timestamp): pdf_extension = '.pdf' pdf_file_rel = pdf_file_abs.replace(source_dir,'') pdffile_timestamp = pdf_file_timestamp elif (pdf_file_timestamp < pdf_file_timestamp): pdf_extension = '.pdf' pdf_file_rel = pdf_file_abs.replace(source_dir,'') pdffile_timestamp = pdf_file_timestamp # Get timestamps of doc and pdf files try: docfile_timestamp = os.path.getmtime(docfile_abs) except OSError: docfile_timestamp = 0 # Enable this to force a certain period to be printed DateBegin = time.mktime(time.strptime('01/02/2017',"%d/%m/%Y")) DateEnd = time.mktime(time.strptime('01/03/2017',"%d/%m/%Y")) # Compare stimestamps and print or not if (pdffile_timestamp < docfile_timestamp) or (pdffile_timestamp == 0): # Inform that there should be printed print('\tpdf should be printe.') else: # Inform that there was no need to print print('\tpdf is up to date.') # Exit sys.exit(0)最佳答案不知道是什么原因解释了差异,但是即使将os.walk增强为使用scandir,它也不会扩展到进一步的getmtime调用,后者将再次访问文件属性.

最终目标是根本不调用os.path.getmtime.

os.walk中的加速是关于不两次执行统计信息以了解对象是目录还是文件.但是内部的DirEntry对象(由scandir生成)从未公开,因此您无法重用它来检查文件时间.

如果您不需要重新启动,可以使用os.scandir完成：

@H_403_9@for dir_entry in os.scandir(r"D:\some_path"): print(dir_entry.is_dir()) # test for directory print(dir_entry.stat()) # returns stat object with date and all

循环内的那些调用以零成本完成,因为DirEntry对象已经缓存了此信息.

因此,要保存getmtime调用,您必须递归获取DirEntry对象.

没有本地方法,但是这里有示例,例如：How do I use os.scandir() to return DirEntry objects recursively on a directory tree?

这样,您的代码在python 2和python 3中将更快,因为每个对象只有1个stat调用,而不是2.

编辑：编辑以显示代码后,似乎您正在从其他条目中构建pdf名称,因此您不能依赖DirEntry结构来获取时间,甚至不能确定文件是否存在(即使您正在使用windows,因为文件名不区分大小写,因此无需测试pdf和pdf).

最好的策略是建立一个包含相关时间和所有时间的大型文件数据库(使用字典),然后对其进行扫描.我已成功使用此方法在3500万个文件缓慢的网络驱动器上查找旧文件/大文件.在我的个人示例中,扫描文件一次,然后将结果转储到一个大的csv文件中(花了几个小时,获取了6Gb的csv数据),然后进行了进一步的后处理,加载了数据库并执行了各种任务(由于没有磁盘访问,因此速度更快参与)

总结

以上是内存溢出为你收集整理的Python 2 vs.3缓慢的os.path.getmtime()具有庞大的文件列表-为什么呢？ 全部内容，希望文章能够帮你解决Python 2 vs.3缓慢的os.path.getmtime()具有庞大的文件列表-为什么呢？ 所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。