使用Python加快并行读取大文件的速度

Question

我需要处理两个大文件(> 10亿行)，并根据一个文件中特定行中的信息将每个文件拆分为小文件。这些文件在blocks中记录高通量的测序数据(我们称之为测序reads)，而每个read包含4行(name、sequence、n、quality)。read记录在两个文件中的顺序相同。

to-do

基于file1.fq中的id字段拆分file2.fq，

这两个文件如下所示：

$ head -n 4 file1.fq
@name1_1
ACTGAAGCGCTACGTCAT
+
A#AAFJJJJJJJJFJFFF

$ head -n 4 file2.fq
@name1_2
TCTCCACCAACAACAGTG
+
FJJFJJJJJJJJJJJAJJ

为此，我编写了以下python函数：

def p7_bc_demx_pe(fn1, fn2, id_dict):
    """Demultiplex PE reads, by p7 index and barcode"""
    # prepare writers for each small files
    fn_writer = {}
    for i in id_dict:
        fn_writer[i] = [open(id_dict[i] + '.1.fq', 'wt'),
            open(id_dict[i] + '.2.fq', 'wt')]

    # go through each record in two files
    with open(fn1, 'rt') as f1, open(fn2, 'rt') as f2:
        while True:
            try:
                s1 = [next(f1), next(f1), next(f1), next(f1)]
                s2 = [next(f2), next(f2), next(f2), next(f2)]
                tag = func(s2) # a function to classify the record
                fn_writer[tag][0].write(''.join(s1))
                fn_writer[tag][1].write(''.join(s2))
            except StopIteration:
                break
    # close writers
    for tag in p7_bc_writer: 
        fn_writer[tag][0].close() # close writers
        fn_writer[tag][1].close() # close writers

问题

有没有办法加快这一进程？(以上功能太慢了)

如何使用特定的lines (如f.seek())将大文件分割成块，并与多个核并行运行该进程？

编辑-1

在每个文件中总共读取5亿(~180 GB的大小)。瓶颈是reading and writing文件。下面是我目前的解决方案(它可以工作，但肯定不是最好的)

我首先使用shell命令：split -l将大文件分割成较小的文件(耗时3小时)。

然后，将这些函数并行地应用于8个小文件(大约需要1小时)。

最后，合并结果(需要2小时)

还没有尝试PySpark，谢谢@John

Answer 1

调查一下星火。您可以将文件分散到集群中，以便进行更快的处理。有一个python : pyspark。

https://spark.apache.org/docs/0.9.0/python-programming-guide.html

这也为您提供了实际执行Java代码的优势，Java代码不受GIL的影响，并且允许真正的多线程。