Python标准库Difflib有坑？——两个方法快速提升数据对比效率-创新互联

一 前言

创新互联专注于企业全网营销推广、网站重做改版、红旗网站定制设计、自适应品牌网站建设、H5高端网站建设、成都做商城网站、集团公司官网建设、成都外贸网站建设、高端网站制作、响应式网页设计等建站业务，价格优惠性价比高，为红旗等各大城市提供网站开发制作服务。

最近在开发的数据核对方案中用到了Python标准库Difflib，本来它工作的挺符合预期，可当它遇到那个文件，仿佛遇到了克星，那文件才100行*77列的数据，经它对比，居然耗时61s。这是无法接受的，因为后续线上流量抽取比对，绝非这点量级。该怎么破？

二 重现现象

以下是使用Difflib比对那个文件，数据量是100行*77列，耗时61s，如下：

好吧，那就降低数据量到5行*77列，看看效果，耗时只有0.05s，如下：

从耗时结果上，不难发现，Difflib在这个文件的比对性能较差，而且耗时不随数据量线性增加，这是最恐怖的地方，如果继续增大数据量，耗时将会变得无法忍受。

三 优化思路

Difflib作为标准库，它的功能只是比对数据，然后生成各样结果格式。当遇到耗时严重这类问题，首先应该从自己的数据上入手，我的优化思路有两个：

第一，  过滤掉相同的行数据，降低比对数据量；

第二，  数据分片；

针对第一个思路，将文件以行分割存放到列表，然后将列表相同位置的相同数据删除掉，只剩下不同的行数据，这样做的好处很明显，一方面可以降低比对的数据量，提升效率，另外，输出的结果也更干净，不会再输出无必要的相同行数据；

针对第二个思路，将待比对的数据划分成一个个相对较小的数据块，实现快速比对，这个方法的可行性，可以从上述数据量耗时比对得出。

四 具体实现

过滤相同行优化策略，实现代码如下：

# 过滤相同行 source_length = len(source)  # source为原始数据按行分割的列表 target_length = len(target)  # target为目标数据按行分割的列表 min_length = source_length if source_length < target_length else target_length  pos_list = []  # 标记相同行的行号,保留列头 for index in range(1, min_length):     # 注意保序     if operator.eq(source[index], target[index]):         pos_list.append(index) # 删除相同行数据, 注意索引漂移 source = [source[index] for index in range(source_length) if index not in pos_list] target = [target[index] for index in range(target_length) if index not in pos_list]

数据分片优化策略，实现代码如下：

# 分片 max_length = source_length if source_length > target_length else target_length # 用于分片 # 分片，注意保证不能漏行 start_pos = 0 step = 10  # 分片大小，即单次比对行数，默认10行 end_pos = start_pos + step diff = difflib.HtmlDiff()  # 创建htmldiff实例对象 while end_pos < max_length + step:     detail_info = diff.make_file(source[start_pos: end_pos], target[start_pos: end_pos])     # 处理逻辑

五 优化结果

在仅使用数据分片的优化策略的情况下，比对那个100行*77列的文件，结果显示比对耗时仅1.8s。而正如上文所述，优化前比对该文件的耗时为61s，更重要的是，因为数据分片，每片比对耗时基本稳定，即使数据量继续增大，耗时也只是线性增加，而不再是类似指数型增加。另外，如果叠加过滤数据的第一种策略，相信随着数据量的下降，耗时数据会有更好的表现。但为了更直观的比对相同数据量下优化前后的效果，所以，在此只是使用数据分片的策略。

优化后耗时结果如下：

六 其他

本文针对Python标准库Difflib比对文件时遇到的耗时严重问题，提出了两种优化策略，并经测试验证有效，即仅在数据分片策略下，同样文件的比对耗时从原先的61s降到1.8s，且耗时只是线性增加。如果有更好的方法，欢迎留言、交流。

关于python学习、分享、交流，笔者开通了微信公众号【小蟒社区】，感兴趣的朋友可以关注下，欢迎加入，建立属于我们自己的小圈子，一起学python。

另外有需要云服务器可以了解下创新互联cdcxhl.cn，海内外云服务器15元起步，三天无理由+7*72小时售后在线，公司持有idc许可证，提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案，具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势，专为企业上云打造定制，能够满足用户丰富、多元化的应用场景需求。

新闻标题：Python标准库Difflib有坑？——两个方法快速提升数据对比效率-创新互联
标题网址：http://dzwzjz.com/article/ccceod.html