为了在所有这些文件上获得适当的随机分布，您需要将它们视为一大行，并随机选择10条。换句话说，您必须至少读取一次所有这些文件，以至少弄清楚 您有多少行 。
但是，您不需要将所有行都保留在内存中。您必须分两个阶段执行此操作：为文件建立索引以计算每个文件中的行数，然后从这些文件中选择10条随机行。
第一次索引：
import osroot_path = r'C:Tasks\'total_lines = 0file_indices = dict()# based on https://stackoverflow.com/q/845058, bufcount functiondef linecount(filename, buf_size=1024*1024): with open(filename) as f: return sum(buf.count('n') for buf in iter(lambda: f.read(buf_size), ''))for dirpath, dirnames, filenames in os.walk(root_path): for filename in filenames: if not filename.endswith('.txt'): continue path = os.path.join(dirpath, filename) file_indices[total_lines] = path total_lines += linecount(path)offsets = list(file_indices.keys())offsets.sort()现在我们有了一个偏移量映射，指向文件名和总行数。现在我们选择十个随机索引，并从您的文件中读取这些索引：
import randomimport bisecttasks = list(range(total_lines))task_indices = random.sample(tasks, 10)for index in task_indices: # find the closest file index file_index = offsets[bisect.bisect(offsets, index) - 1] path = file_indices[file_index] curr_line = file_index with open(path) as f: while curr_line <= index: task = f.readline() curr_line += 1 print(task) tasks.remove(index)
注意，只需要索引一次。您可以将结果存储在某处，并且仅在文件更新时才对其进行更新。
还要注意，您的任务现在已“存储”在
tasks列表中。这些是文件中各行的索引，在打印所选任务时，将从该变量中删除索引。下次运行
random.sample()选项时，以前选择的任务将不再可用于下次选择。如果文件确实发生更改，则此结构将需要更新，因为必须重新计算索引。该
file_indices会帮助你完成这项任务，但超出这个答案的范围。:-)
如果您只需要 一个
10个项目的样本，请改用Blckknght的解决方案，因为该解决方案只处理一次文件，而我的则需要额外打开10个文件。如果需要_多个_ 样本，则每次需要样本时，此解决方案仅需要额外打开10个文件，就不会再次扫描所有文件。如果文件少于10个，请仍然使用Blckknght的答案。:-)
