Supprimé des lignes d'un fichier contenu dans un autre fichier

Version imprimable

Bonjour à tous,

J'ai un fichier A (fichier complet) et un fichier B contenant des lignes que je souhaite supprimer dans le fichier A.

Alors voici comment je souhaite procéder mais je n'arrive pas à le coder à partir du point 3)

1) Je lis la première ligne de mon fichier A
2) Je lis la seconde ligne de mon fichier B
3) Je compare la première ligne de mon fichier A à toutes les lignes de mon fichier B
4) Si la ligne du fichier A n'a jamais été trouvée dans le fichier B Alors cela veux dire que la ligne ne doit pas être supprimé et peut donc être réécrite dans un fichier C

Une idée ? Une autre manière de formuler le problème ?

Voici le début du code que j'ai fait. Pour l'instant je ne lui demande pas d'écrire dans mon fichier C, juste de m'afficher les lignes qui devraient être supprimées.

Code:

1
2
3
4
5
6
7
8
Fichier = open("MyFile.txt","r") #Fichier A
Fichier_Suppr=open("Suppr.txt","r") #Fichier B
for ligne in Fichier:
    for ligne_suppr in Fichier_Suppr:
        if ligne in ligne_suppr:
            print ligne_Suppr + "a été supprimée"
Fichier.close()
Fichier_Suppr.close()

Voici mon fichier A :

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
 43,  7585, 40465, 40475,  7584,  7600, 40488, 40498,  7599
 44, 40474, 40473, 40465, 40458, 40497, 40496, 40488, 40481
 45,  7587, 40474, 40458,  7586,  7602, 40497, 40481,  7601
 46,  7537, 40474,  7587,   435,  7542, 40497,  7602,   436
 47, 40465,  7585,  7586, 40458, 40488,  7600,  7601, 40481
 48,  7582, 40460, 40466,  7581,  7597, 40483, 40489,  7596
 49, 40479, 40470, 40469, 40472, 40502, 40493, 40492, 40495
 50, 40457, 40463,  7579,  7580, 40480, 40486,  7594,  7595
 51, 40464,  7578,  7579, 40463, 40487,  7593,  7594, 40486
 52,  7536, 40473, 40474,  7537,  7541, 40496, 40497,  7542
 53, 40477,  7576,  7577, 40459, 40500,  7591,  7592, 40482
 54, 40475, 40465, 40473, 40462, 40498, 40488, 40496, 40485
 55,  7583, 40476, 40460,  7582,  7598, 40499, 40483,  7597
 56,  7534,  7533, 40479, 40472,  7539,  7538, 40502, 40495
 57, 40463, 40467, 40469, 40464, 40486, 40490, 40492, 40487
 58, 40476,  7583,  7584, 40475, 40499,  7598,  7599, 40498
 59, 40462,  7535, 40471, 40468, 40485,  7540, 40494, 40491
 60, 40460, 40476, 40468, 40466, 40483, 40499, 40491, 40489
 61, 40472, 40471,  7535,  7534, 40495, 40494,  7540,  7539
 62, 40479, 40478, 40461, 40470, 40502, 40501, 40484, 40493
 63, 40467, 40471, 40472, 40469, 40490, 40494, 40495, 40492
 64, 40473,  7536,  7535, 40462, 40496,  7541,  7540, 40485
 65, 40461,  7575,  7576, 40477, 40484,  7590,  7591, 40500
 66,  7533,   434,  7573, 40479,  7538,   433,  7588, 40502
 67,  7588,  7589, 40501, 40502,  7603,  7604, 40524, 40525
 68, 40498, 40485, 40491, 40499, 40521, 40508, 40514, 40522
 69, 40494, 40490, 40489, 40491, 40517, 40513, 40512, 40514
 70,  7595,  7596, 40489, 40480,  7610,  7611, 40512, 40503
 71,  7593, 40487, 40482,  7592,  7608, 40510, 40505,  7607

Voici mon fichier B:

Code:

1
2
3
43,  7585, 40465, 40475,  7584,  7600, 40488, 40498,  7599
 44, 40474, 40473, 40465, 40458, 40497, 40496, 40488, 40481
 54, 40475, 40465, 40473, 40462, 40498, 40488, 40496, 40485

Merci de votre aide

Salut,

la solution comme tu la vois pourrait fonctionner mais j'y vois un problème.
la lecture d'un fichier sur un disque dur, c'est pas ce qu'on fait de plus rapide. alors plutôt que de retourner lire le fichier B pour chaque ligne du fichier A, moi je ferais plutôt comme ça:
Code:

1 2 3 4 5 6 stocker les lignes du fichier A dans une liste A stocker les lignes du fichier B dans une liste B pour chaque ligne de la liste A si la ligne apparait dans la liste B supprimer la ligne de la liste A écrire la liste A dans le fichier A
regarde un peu les méthodes readlines et writelines de la classe File, ça devrait te plaire.

01/05/2014, 17h19
fred1599

Citation:

J'ai un fichier A (fichier complet) et un fichier B contenant des lignes que je souhaite supprimer dans le fichier A.

C'est toi qui a créé ces fichiers ou sont-ils générés automatiquement par un programme externe ?

Oui mais A est potentiellement grand, et ça ne sert pas à grand chose de le stocker. Le plus simple est de faire :
Code:

1 2 3 4 bLines = Lire les lignes du fichier B dans une liste Pour chaque ligne de A : Si cette ligne n'est pas dans bLines : Ecrire cette ligne dans C

Citation:
Envoyé par Tryph
Salut,

la solution comme tu la vois pourrait fonctionner mais j'y vois un problème.
la lecture d'un fichier sur un disque dur, c'est pas ce qu'on fait de plus rapide. alors plutôt que de retourner lire le fichier B pour chaque ligne du fichier A, moi je ferais plutôt comme ça:
Code:

1 2 3 4 5 6 stocker les lignes du fichier A dans une liste A stocker les lignes du fichier B dans une liste B pour chaque ligne de la liste A si la ligne apparait dans la liste B supprimer la ligne de la liste A écrire la liste A dans le fichier A
regarde un peu les méthodes readlines et writelines de la classe File, ça devrait te plaire.
Voilà ce que j'ai pondu comme code :
Code:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 MyFileList=[] fichier = open("MyFile.txt","r") for ligne in fichier: ligne=ligne.replace(" ","") MyFileList.append(ligne) #print(MyFileList) SupprFileList=[] Suppr_File=open("Suppr.txt","r") for ligne in Suppr_File: ligne=ligne.replace(" ","") SupprFileList.append(ligne) #print(SupprFileList) New_List=[] for value in range(0, len(MyFileList),1): if MyFileList[value] in SupprFileList: LineToBeDeleted=str(MyFileList[value]) print("Line deleted : "+LineToBeDeleted) else: New_List.append(MyFileList[value]) print(New_List) fichier.close() Suppr_File.close()
Pour l'instant je n'écrit pas le résultat dans mon fichier de sortie, mais la liste finale a l'air d'être correcte.

Citation:

C'est toi qui a créé ces fichiers ou sont-ils générés automatiquement par un programme externe ?

Ils sont créés par un programme externe

Citation:

Oui mais A est potentiellement grand, et ça ne sert pas à grand chose de le stocker.

Oui effectivement le fichier A peut être grand (plusieurs Mo). L'intérêt de ta solution c'est quoi ? temps de calcul moins long ?

Encore merci

Citation:

Oui effectivement le fichier A peut être grand (plusieurs Mo). L'intérêt de ta solution c'est quoi ? temps de calcul moins long ?

Oui, et limite, j'ai remarqué qu'il n'y a que des lignes différentes dans ton fichier A, du coup je pense même que toutes les lignes stockées du fichier B peuvent sans risque être supprimée une fois découverte, afin de rendre le test des lignes A par rapport aux lignes B plus rapides.

Maintenant un code simple doit le faire, pas besoin de se compliquer la vie, à moins d'avoir des problèmes de formatage entre lignes fichier A et fichier B
Code:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 with open('A.txt', 'r') as a, open('B.txt', 'r') as b, open('C.txt', 'w') as c: lines = [line.strip('\n').strip() for line in b.readlines()] for line in a: l = line.strip() if l in lines: lines.remove(l) else: c.write(line) # Gestion des fichiers os.remove('A.txt') os.rename('C.txt', 'A.txt') os.remove('B.txt')

Citation:

Envoyé par nekcorp

Oui effectivement le fichier A peut être grand (plusieurs Mo). L'intérêt de ta solution c'est quoi ? temps de calcul moins long ?

l'intérêt de pas stocker tout le contenu du fichier dans une liste avant de faire le traitement c'est de gagner de la RAM.
Si le fichier ne fait que quelques Mo, je pense personnellement que vue les quantités de RAM qu'on a de nos jours, ça va pas mettre le PC à genou. par contre si le fichier peut faire quelques centaines (voire quelques dizaines) de Mo, ça peut être plus dérangeant.
après si tu veux optimiser la conso mémoire, ça sera toujours mieux de ne pas charger tout le fichier A préalablement.

pour le temps de calcul en revanche, ça me parait beaucoup moins évident.
j'ai pas fait le test mais lire chaque ligne une à une, je pense ça veut dire faire un accès disque à chaque ligne et les accès disque sont lents. alors qu'une fois le fichiers chargé en RAM, on ne fait que des accès à la mémoire vive pour faire les traitements, ce qui peut être potentiellement plus rapide.

mais pour être sûr, faudrait faire le test.

pour le reste, pourquoi as-tu besoin d'enlever les espaces de chaque ligne? car dans le code suivant:
Code:

1 2 3 for ligne in fichier: ligne=ligne.replace(" ","") MyFileList.append(ligne)
si tu omets la suppression des espaces, le résultat est exactement le même qu'un simple realines()

edit:
finalement, j'ai fait le test pour la rapidité d’exécution et c'est kif-kif avec les 2 méthodes (chargement du fichier en RAM ou non).
chez moi et avec les 2 fichiers fournis, sur 100 000 itérations, les temps ne diffèrent que de quelques dixièmes de secondes et donnent l'avantage tantôt à méthode, tantôt à l'autre.
ça serait intéressant de tester avec des fichiers plus gros:
Code:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 #! /usr/bin/python # -*- coding: utf-8 -*- import timeit def preload(): list_A = None list_B = None list_C = [] with open("file_A.txt", "r") as file_A, open("file_B.txt", "r") as file_B: list_A = [line.strip() for line in file_A.xreadlines()] list_B = [line.strip() for line in file_B.xreadlines()] for line in list_A: if line not in list_B: list_C.append(line + "\n") with open("rslt_preload.txt", "w") as rslt: rslt.writelines(list_C) def jit(): list_B = None list_C = [] with open("file_B.txt", "r") as file_B: list_B = [line.strip() for line in file_B.xreadlines()] with open("file_A.txt", "r") as file_A: for line in (line.strip() for line in file_A.xreadlines()): if line not in list_B: list_C.append(line + "\n") with open("rslt_jit.txt", "w") as rslt: rslt.writelines(list_C) iter_nb = 100000 timer_preload = timeit.Timer(stmt=preload, setup="print 'timing {} preload'".format(iter_nb)) timer_jit = timeit.Timer(stmt=jit, setup="print 'timing {} jit'".format(iter_nb)) print "{} s".format(timer_preload.timeit(iter_nb)) print "{} s".format(timer_jit.timeit(iter_nb))

03/05/2014, 15h16
Jedai

Citation:

Envoyé par Tryph

pour le temps de calcul en revanche, ça me parait beaucoup moins évident.
j'ai pas fait le test mais lire chaque ligne une à une, je pense ça veut dire faire un accès disque à chaque ligne et les accès disque sont lents. alors qu'une fois le fichiers chargé en RAM, on ne fait que des accès à la mémoire vive pour faire les traitements, ce qui peut être potentiellement plus rapide.

A priori, la lecture d'une ligne ne signifie pas un accès disque à chaque fois sauf si les routines IO de Python sont salement foutues : généralement, ces routines utilisent un buffer par handle et les réutilisent. Même si elle ne font pas ça, tous les disques actuels lisent par grosse plage et placent en cache les parties lues même si tu ne demandes qu'une toute petite partie. readLines est potentiellement plus efficace mais ça peut être partiellement compensé par des histoires de cache du processeur et de manque de localité de la liste de string.

Citation:

Envoyé par Tryph

mais pour être sûr, faudrait faire le test.

Certes ! :)

Franchement, je préfère gérer le cas potentiellement problématique (un très gros fichier A, demandant beaucoup d'allocation en RAM) plutôt que d'accélérer minusculement le cas d'un petit fichier A qui est déjà super rapide quelque soit la méthode. 8-)
03/05/2014, 16h31
wiztricks

Citation:

Envoyé par Jedai

A priori, la lecture d'une ligne ne signifie pas un accès disque à chaque fois sauf si les routines IO de Python sont salement foutues : généralement, ces routines utilisent un buffer par handle et les réutilisent. Même si elle ne font pas ça, tous les disques actuels lisent par grosse plage et placent en cache les parties lues même si tu ne demandes qu'une toute petite partie. readLines est potentiellement plus efficace mais ça peut être partiellement compensé par des histoires de cache du processeur et de manque de localité de la liste de string.

Il n'y a pas que le disque. Il y a aussi le file-system qui "cache" un max.
Sans côté les optimisations de chacun des composants pour les "readahead" lors des lectures séquentielles.

Citation:

Franchement, je préfère gérer le cas potentiellement problématique (un très gros fichier A, demandant beaucoup d'allocation en RAM) plutôt que d'accélérer minusculement le cas d'un petit fichier A qui est déjà super rapide quelque soit la méthode.

Sur votre PC vous faites ce que bon vous semble. Mais les programmes Python tournent plutôt sur des serveurs.
Dans ces environnements, la RAM utilisée pour stocker le ficher sera disputée aux autres processus système.
Ca va paginer "plus" et "stresser" le sous système disque un max.
Dans la vraie vie, il sera toujours préférable de lire par paquets. Ça passe par la gestion d'un CHUNK_SIZE qui ne change pas trop le design dans ce cas car Python permet de passer ce paramètre à f.read(...).

- W
03/05/2014, 23h24
Jedai

Citation:

Envoyé par wiztricks

Il n'y a pas que le disque. Il y a aussi le file-system qui "cache" un max.
Sans côté les optimisations de chacun des composants pour les "readahead" lors des lectures séquentielles.

Oui, il y a du cache à tous les niveaux alors il est fort invraisemblable qu'il y ait un accès disque par readLine(). Selon toute vraisemblance, la différence de vitesse entre une lecture avec readLine() dans une boucle comparée à readLines() sera négligeable (si ce n'est légèrement favorable à la boucle pour un gros fichier et un système encombré).

Citation:

Envoyé par wiztricks

Sur votre PC vous faites ce que bon vous semble. Mais les programmes Python tournent plutôt sur des serveurs.
Dans ces environnements, la RAM utilisée pour stocker le ficher sera disputée aux autres processus système.
Ca va paginer "plus" et "stresser" le sous système disque un max.

Exactement, c'est pourquoi j'ai conseillé de ne plutôt lire le fichier A (potentiellement gros) que ligne à ligne tandis que le fichier B (normalement petit et dont la totalité est nécessaire pour vérifier chaque ligne de A) est chargé en mémoire.

Citation:

Envoyé par wiztricks

Dans la vraie vie, il sera toujours préférable de lire par paquets. Ça passe par la gestion d'un CHUNK_SIZE qui ne change pas trop le design dans ce cas car Python permet de passer ce paramètre à f.read(...).

Dans la vraie vie, et sauf pour les fichier binaires, il est rarement nécessaire de gérer soi-même la lecture par paquet puisque les couches inférieures gèrent ça très bien. Évidemment la donne change si les données sont potentiellement malicieuses, mais dans ce cas il est encore préférable de créer une interface spécifique qui lira par paquet et traitera correctement les cas exceptionnels plutôt que de se faire confiance pour faire ça proprement à la main à chaque fois.
04/05/2014, 05h11
nekcorp
Avant tout merci de vos réponses.

J'ai une question : à quoi sert le strip ?

Code:

lines = [line.strip('\n').strip() for line in b.readlines()]

J'ai fais des tests directement dans la console python mais je ne comprend pas exactement à quoi ça sert.
Citation:
pour le reste, pourquoi as-tu besoin d'enlever les espaces de chaque ligne? car dans le code suivant:

Code:

1 2 3 for ligne in fichier: ligne=ligne.replace(" ","") MyFileList.append(ligne)
J'enlève les espaces pour être sur que les formats finaux des lignes lorsque je ferai la comparaison, soient identiques.

Citation:

si tu omets la suppression des espaces, le résultat est exactement le même qu'un simple realines()

Je n'ai pas très bien compris la subtilité avec readlines().

Encore merci
04/05/2014, 06h57
Tryph

Citation:

Envoyé par nekcorp

Avant tout merci de vos réponses.

J'ai une question : à quoi sert le strip ?

Code:

lines = [line.strip('\n').strip() for line in b.readlines()]

quand il est appelé sans argument, strip() renvoie la chaine amputée de ses éventuels caractères blancs (espaces, tabulations, sauts de ligne, ...) qui sont présent au début et à la fin.
dans ce cas là, normalement le "strip('\n')" est inutile puisque "\n" est un caractère blanc et qu'il sera enlevé par le "strip()" sans argument.
plus d'infos dans la doc

Citation:

Envoyé par nekcorp

J'enlève les espaces pour être sur que les formats finaux des lignes lorsque je ferai la comparaison, soient identiques.
Je n'ai pas très bien compris la subtilité avec readlines().

ce que je voulais dire c'est que readlines te renvoie directement une liste des lignes du fichier et que si t'avais pas besoin d'enlever les espaces, tu pourrais avantageusement remplacer les 3 lignes par une instruction.

ceci dit, c'est toujours faisable en une instruction:

Code:

MyFileList = [line.strip().replace(" ", "") for line in fichier.xreadlines()]

Solution simple :

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
f_a=open('a.txt')
f_b=open('b.txt')
f_c=open('c.txt','a')
 
a=f_a.read().split('\n')
b=f_b.read().split('\n')#transformation du contenu brut en liste de lignes$
 
f_a.close()
f_b.close()
 
for ligne in a :
    if not ligne in b : f_c.write(ligne+'\n')
 
f_c.close()

PS : c'est enlever "er"