在处理大模型的训练数据时，经常需要遍历大型文件夹，其中，可能包括数千万或数亿个文件，这时，一般的python遍历函数就会非常慢，例如os.walk、glob、path.rglob等等，同时，无法预估整体的遍历时间。
本文，通过Python的os.scandir，基于广度优先搜索算法，实现可控、高效的遍历文件，同时，输出遍历日志，支持后缀筛选，去除隐藏文件，实现遍历包含大量文件的文件夹的功能。
os.scandir 是一个目录迭代函数，返回 os.DirEntry 对象的迭代器，对应于由 path 指定目录中的条目，这些条目以任意顺序生成，不包括特殊条目 ‘.’ 和 ‘…’。os.scandir 的运行效率要高于 os.walk，在 PEP 471 中，Python 官方也推荐使用 os.scandir 遍历目录 。
源码
立即学习“Python免费学习笔记（深入）”；
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输出日志：
[Info] 初始化路径开始![Info] 数据集路径: /alphafoldDB/pdb_from_uniprot[Info] dir pdb_from_uniprot: 256it [00:10, 24.47it/s][Info] dir 00: 240753it [00:30, 7808.36it/s] [Info] dir 01: 241432it [00:24, 9975.56it/s] [Info] dir 02: 240466it [00:24, 9809.68it/s] [Info] dir 03: 241236it [00:22, 10936.76it/s][Info] dir 04: 241278it [00:24, 10011.14it/s][Info] dir 05: 241348it [00:25, 9414.16it/s]
补充
除了上文的方式，小编还为大家整理了其他Python遍历文件夹的方法，需要的可以参考一下
方法一：通过os.walk()遍历，直接处理文件即可
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：通过pathlib.Path().rglob()遍历，需要过滤出文件，速度较快。注意glob()不支持递归遍历
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 
