首先，咱们得先理清楚为什么2.8MB的文件会让28GB内存的机器爆内存——这看起来很反直觉，但问题大概率出在你处理数据的方式，而不是文件本身的大小。

可能的原因分析 #

1. 单个超大整数的转换开销
   如果你的0.txt里是一整行数百万位的纯数字字符串（比如一个2.8MB长的数字），那把它转换成Python的int时，因为Python的整数是任意精度的，内部会用数组来存储二进制形式的数字，再加上Python对象的额外开销（引用计数、类型信息等），这个转换过程可能会瞬间占用远超文本大小的内存——虽然28GB看起来很大，但极端情况下（比如数字长度达到数千万位），还是可能触发内存错误。

2. 逐个字符转int并存储到列表
   如果你的代码是遍历每行的每个字符，把每个字符转成int后添加到列表里（比如for j in line: b.append(int(j))），那2.8MB的文本大概有290万个字符。在64位Python2.7中，每个int对象大约要占28字节，290万*28字节≈81MB——理论上这远小于你的内存，但如果你的代码同时还有其他内存占用，或者存在内存碎片问题，也可能触发错误。

3. 分割成大量小整数的内存累积
   如果文本是用分隔符（比如逗号、空格）分割的大量数字，每个数字转成int后都存在列表里，虽然单个int不大，但架不住数量多——不过几百万个int也才几百MB，还是不至于让28GB内存爆掉，除非你还有其他内存密集型操作。

解决方案 #

根据不同的场景，你可以试试下面的方法：

• 避免不必要的大整数转换
  如果你的业务不需要把那个超长数字转成int（比如只是需要校验、截取部分数字），直接操作字符串就行，完全不用转换，这样内存占用就是文件本身的大小。

• 用生成器分批处理，不要全存到列表
  如果需要处理分割后的多个数字，别一次性把所有数字都存入列表，而是用生成器按需生成，处理完一个就释放一个：

  def get_numbers(file_path):
      with open(file_path, 'r') as f:
          line = f.read().strip()
          # 这里假设用逗号分隔，根据你的实际分隔符修改
          for num_str in line.split(','):
              yield int(num_str)
  
  # 逐个处理数字，不用一次性存到列表
  for num in get_numbers('0.txt'):
      # 这里写你的处理逻辑
      print(num)
  

• 使用更高效的数据结构
  如果必须存储大量整数，用Python的array模块代替普通列表——它存储的是原始二进制数据，内存占用比普通列表小得多：

  import array
  
  # 用'l'表示长整型，根据你的数字大小选合适的类型（比如'i'是普通int）
  num_array = array.array('l')
  with open('0.txt', 'r') as f:
      line = f.read().strip()
      for num_str in line.split(','):
          num_array.append(int(num_str))
  

  这种方式每个整数只占用4或8字节，比普通列表的28字节节省了70%以上的内存。

• 考虑升级到Python3
  Python2.7已经停止维护多年，Python3在内存管理、大整数处理上都有不少优化，很多Python2的内存问题在Python3里都能自动解决。

内容的提问来源于stack exchange，提问作者papabiceps