如何读取特定规则的文本中的数据呢?
假定名为 test.txt 的文件中以下为文件内容
"
你好,我的数据
欢迎来到
百思论坛
www.baisi.net
1 11 111
1111
2 22 222
2222
3 33 333
3333
4 44 444
4444
5 55 555
5555
"
这样的文件怎么读入数据呢?
方法有多种,现举两个比较简单实用的。
方法一:
A=importdata(file,space,line)
其中,file是所读取的文件名,space是特定的分隔符,line是一个数字,指文本中字符串文字的行数,如上文的数据中line=4。
此代码的含义是,line行是title,line+1行到end是数据,按特定分隔符space读取数据。此方法可以读取文本在上和数据在下的文件。
A是一个sturct,其中A.data就是所需的数据了。
exapmle:
A=importdata('test.txt','
',4);%运行即可取得数据A.data
此方法也可以按以下操作获取:
在文件菜单中选择 file/import
data,按照提示进行操作至结束。
在 command 窗口中输入
>>
whos
Name
Size
Bytes Class
data
5x4
160 double
array
textdata
4x1
300 cell
array
Grand total is 54 elements using 460
bytes
>>
data
data =
1
11
111
1111
2
22
222
2222
3
33
333
3333
4
44
444
4444
5
55
555
5555
>>
textdata
textdata
=
'你好'
'欢迎来到'
'百思论坛'
'www.baisi.net'
方法二:
[a1,a2,a3,a4]=textread('test1.txt','%s%s%s%s','headerlines',4)
说明:%s可以是其他形式,跟读入的数据类型有关,比如这里也可以用%d,%f等。
这里%s的个数和[a1,a2,a3,a4]对应。
>>
[a1,a2,a3,a4]=textread('test1.txt','%s%s%s%s','headerlines',4)
a1 =
'1'
'2'
'3'
'4'
'5'
a2 =
'11'
'22'
'33'
'44'
'55'
a3 =
'111'
'222'
'333'
'444'
'555'
a4 =
'1111'
'2222'
'3333'
'4444'
'5555'
因以字符串的形式读入,所以有''。
文件内容形式二(假定文件名为test2.txt):
你好
1 11 111
1111
欢迎来到
2 22 222
2222
百思论坛
3 33 333
3333
www.baisi.net
4 44 444
4444
5 55 555
5555
说明:这种内容格式的文件用上面的方法是不行的。
方法三:
以下是由chinamaker编写的一种方法,但是需要重新建一个文本。 fidin=fopen('test2.txt');
% 打开test2.txt文件
fidout=fopen('mkmatlab.txt','w');
% 创建MKMATLAB.txt文件
while ~feof(fidin)
% 判断是否为文件末尾
tline=fgetl(fidin);
% 从文件读行
if
double(tline(1))>=48&&double(tline(1))<=57
% 判断首字符是否是数值
fprintf(fidout,'%s\n\n',tline);
% 如果是数字行,把此行数据写入文件MKMATLAB.txt
continue
% 如果是非数字继续下一次循环
end
end
fclose(fidout);
MK=importdata('MKMATLAB.txt');
% 将生成的MKMATLAB.txt文件导入工作空间,变量名为MK,实际上它不显示出来
>>
MK
MK =
1
11
111
1111
2
22
222
2222
3
33
333
3333
4
44
444
4444
5
55
555
5555
另外有些用户希望获取文件的长度(字符个数),哦这个其实很简单!
- fid=fopen('data.csv');
- fseek(fid,0,'eof')
- filelength =
ftell(fid);
- fclose(fid);
复制代码
现在问题来了,如何获取文本文件的行数呢??下面我们提供几种解决方案吧!本文代码中测试的data.csv数据文件总共有10万行,大概77M。
方法一
最容易想到的就是使用MATLAB的fgetl或fgets函数,对文本按行读取,然后对行数进行累加。
- tic
- fid=fopen('data.csv'); %
打开文件
- row=0;
- while ~feof(fid) %
是否读取到文件结尾
-
[~]=fgets(fid); % 或者fgetl
-
row=row+1; % 行数累加
- end
- fclose(fid); %
及时关闭文件是个好习惯
- row
- toc
复制代码
运行结果如下,fgets大概耗时大概10s,如果fgetl速度会慢一些,大概需要13s,可能是因为fgel需要将尾部的回车去掉而增加了操作吧
row =
100000
Elapsed time is 10.556020 seconds.
方法二
其实MATLAB处理复杂文本文件,灵活性最好和效率最高的是textscan函数。灵活性就不用说了,textscan提供很多定制功能,比如跳过的标题行数、设置空白字符等经过测试;至于效率,经过测试,textscan在处理某些数据下是效率fscanf的10倍以上,另外仔细看看dlmread函数,其实也是调用了textscan函数。
接着有人要问,textscan是用来读取数据的,怎么用来统计行数?其实我们只是占了一个便宜而已!因为textscan提供了一个忽略特定字符串的功能。
- tic
- fid=fopen('data.csv');
- % '%*[^\n]'
这个设置估计有人看不懂,特别是后面的那个%
- % ,表示读取一个字符
- %
%*[^\n],*表示忽略,[^]表示不是[]字符,合起来的意思就是忽略所有不是\n(回车)的字符,更直接的意思就是忽略到行尾
- data =
(textscan(fid,'%*[^\n]'));
- fclose(fid);
- row=length(data{1})
- toc
复制代码
row =
100000
Elapsed time is 12.660186 seconds.
运行时间12s,好像有点长哦,没有想象中的那么厉害。另外这个方法有两个个致命的弱点,因为程序必须每行读取一个字符
(1)假如文件很大,比如10G,那么就算每行读取一个字符,这个也超出了XP内存,因此读取失败!
(2)假如存在空行,那么会将回车读入,%*[^\n]于是就自动忽略了下一行,因此统计的行数不准确!
从上面分析textscan并不适合用于统计大型文件的行数,但是这并不能否定textscan的效率,因为textscan是千真万确一行一行的处理和读取数据文件,只是我们读取第一个字符然后忽略了剩下的所有字符而已。
方法三
其实越是底层的函数效率是越高的,只是使用不方便而已。MATLAB还有一个fread函数,不过这是默认处理的是二进制文件,不过没有关系,文本文件只是一个编码而已,我们还是可以使用fread进行读取的。
- tic
- fid=fopen('data.csv','rt');
% t是告诉fread是这里文本文件
- row=0;
- while ~feof(fid)
-
% 一次性读取10000字符,计算其中的回车个数,其中10是回车的ASCII编码
-
% '*char'表示每次读取一个字符,*表示输出也是字符
-
% 放心fread现在已经可以自动识别中文了,万一还是识别不了,
-
% 请在fopen中指定文件编码格式,比如gbk
-
row=row+sum(fread(fid,10000,'*char')==char(10));
-
% 下面还有一个类似的方法,但是效率低很多,大概是上面的一半
-
% 'char'表示每次读取一个字符,但是默认输出double,
-
% 也就是说读取char然后转换double中间有转换能快吗?
-
% row=row+sum(fread(fid,10000,'char')==10);
- end
- fclose(fid);
- row
- toc
复制代码
这个效率呱呱的,简直天壤之别呀,才1.7s!看来这个结果比较令我满意哦!
row =
100000
Elapsed time is 1.721880 seconds.
方法四
上面的方法都是在循环中不停地对文件进行访问,自然效率是高不起来的。对于大型文件,还有其他什么好的解决方案呢,也许这个时候需要借组外部力量了!传说perl语言对文件操作有很多优势,同时linux提供了wc命令对文件进行行统计,不妨试试?
- tic
- % 判断计算机操作系统
- if (isunix) %
Linux系统提供了wc命令可以直接使用
-
% 使用syetem函数可以执行操作系统的函数
-
% 比如window中dir,linux中ls等
-
[~, numstr] = system( ['wc -l ', 'data.csv']
);
-
row=str2double(numstr);
- elseif (ispc) %
Windows系统可以使用perl命令
-
if exist('countlines.pl','file')~=2
-
%
perl文件内容很简单就两行
-
% while
(<>) {};
-
% print
$.,"\n";
-
fid=fopen('countlines.pl','w');
-
fprintf(fid,'%s\n%s','while
(<>) {};','print $.,"\n";');
-
fclose(fid);
-
end
-
% 执行perl脚本
-
row=str2double( perl('countlines.pl',
'data.csv') );
- end
- row
- toc
复制代码
楼主使用的是window系统,调用perl,果然不负众望,才0.89秒
row =
100000
Elapsed time is 0.889994 seconds.
其实上面的方法在处理真正的大型文件时,还是可能不是很理想的,本文中测试的文件才77M算不上什么大型文件,后来对一个大约80万行,大小622M的csv文件进行测试,使用perl方法结果如下:
row =
800001
Elapsed time is 15.859564 seconds.
文件越大,计算时间不是简单的线性增加!到了真正几十甚至几百G这样的大型数据,上面的方法几乎是不能忍受的,也许还有更好的解决方法吧!
有人问有什么好的方法生成上面的测试数据呀?我在MATLAB中是这样生成的!
- data=rand(10000,100); %
随机生成1w行数据
- save data.csv data -ascii %
保存为文本
- for ii=1:5 %
自己复制5次,生成2^5=32万行
- % 这里使用了dos命令,效率会好些
- % 千万不要使用fprint,否你会残废的
-
!type data.csv >> data.csv
- end
|