如何使用Python遍歷一個包含大量檔案的資料夾？

在處理大模型的訓練資料時，經常需要遍歷大型資料夾，其中，可能包括數千萬或數億個文件，這時，一般的Python遍歷函數就會非常慢，例如os.walk、 glob、path.rglob等等，同時，無法預估整體的遍歷時間。

本文，透過Python的os.scandir，基於廣度優先搜尋演算法，實現可控、高效的遍歷文件，同時，輸出遍歷日誌，支援後綴篩選，去除隱藏文件，實現遍歷包含大量文件的資料夾的功能。

os.scandir 是一個目錄迭代函數，傳回os.DirEntry 物件的迭代器，對應於由path 指定目錄中的條目，這些條目以任意順序生成，不包括特殊條目‘.’和‘…’。 os.scandir 的運作效率要高於 os.walk，在 PEP 471 中，Python 官方也建議使用 os.scandir 遍歷目錄 。

原始碼

def traverse_dir_files_for_large(root_dir, ext=""):
    """
    列出文件夹中的文件, 深度遍历
    :param root_dir: 根目录
    :param ext: 后缀名
    :return: 文件路径列表
    """
    paths_list = []
    dir_list = list()
    dir_list.append(root_dir)
    while len(dir_list) != 0:
        dir_path = dir_list.pop(0)
        dir_name = os.path.basename(dir_path)
        for i in tqdm(os.scandir(dir_path), f"[Info] dir {dir_name}"):
            path = i.path
            if path.startswith('.'):  # 去除隐藏文件
                continue
            if os.path.isdir(path):
                dir_list.append(path)
            else:
                if ext:  # 根据后缀名搜索
                    if path.endswith(ext):
                        paths_list.append(path)
                else:
                    paths_list.append(path)
    return paths_list

輸出日誌：

[Info] 初始化路徑開始!
[Info] 資料集路徑: / alphafoldDB/pdb_from_uniprot
[Info] dir pdb_from_uniprot: 256it [00:10, 24.47it/s]
[Info] dir 00: 240753it [00:30, 7808.36it/soo[ 01: 241432it [00:24, 9975.56it/s] 
[Info] dir 02: 240466it [00:24, 9809.68it/s] 
[Info] dir 03: 241236. /s]
[Info] dir 04: 241278it [00:24, 10011.14it/s]
[Info] dir 05: 241348it [00:25, 9414.16it/s] 

#補充

除了上文的方式，小編還為大家整理了其他Python遍歷資料夾的方法，需要的可以參考

方法一：透過os.walk()遍歷，直接處理文件即可

def traverse_dir_files(root_dir, ext=None, is_sorted=True):
    """
    列出文件夹中的文件, 深度遍历
    :param root_dir: 根目录
    :param ext: 后缀名
    :param is_sorted: 是否排序，耗时较长
    :return: [文件路径列表, 文件名称列表]
    """
    names_list = []
    paths_list = []
    for parent, _, fileNames in os.walk(root_dir):
        for name in fileNames:
            if name.startswith('.'):  # 去除隐藏文件
                continue
            if ext:  # 根据后缀名搜索
                if name.endswith(tuple(ext)):
                    names_list.append(name)
                    paths_list.append(os.path.join(parent, name))
            else:
                names_list.append(name)
                paths_list.append(os.path.join(parent, name))
    if not names_list:  # 文件夹为空
        return paths_list, names_list
    if is_sorted:
        paths_list, names_list = sort_two_list(paths_list, names_list)
    return paths_list, names_list

#方法二：透過pathlib.Path().rglob()遍歷，需要過濾出文件，速度較快。注意glob()不支援遞歸遍歷

def traverse_dir_files(root_dir, ext=None, is_sorted=True):
    """
    列出文件夹中的文件, 深度遍历
    :param root_dir: 根目录
    :param ext: 后缀名
    :param is_sorted: 是否排序，耗时较长
    :return: [文件路径列表, 文件名称列表]
    """
    names_list = []
    paths_list = []
    for path in list(pathlib.Path(root_dir).rglob("*")):
        path = str(path)
        name = path.split("/")[-1]
        if name.startswith('.') or "." not in name:  # 去除隐藏文件
            continue
        if ext:  # 根据后缀名搜索
            if name.endswith(ext):
                names_list.append(name)
                paths_list.append(path)
        else:
            names_list.append(name)
            paths_list.append(path)
    if not names_list:  # 文件夹为空
        return paths_list, names_list
    if is_sorted:
        paths_list, names_list = sort_two_list(paths_list, names_list)
    return paths_list, names_list

以上是如何使用Python遍歷一個包含大量檔案的資料夾？的詳細內容。更多資訊請關注PHP中文網其他相關文章！