你是否曾經(jīng)有過(guò)要計(jì)算一個(gè)非常大的數(shù)據(jù)(幾百GB)的需求？或在里面搜索，或其它操作——一些無(wú)法并行的操作。數(shù)據(jù)專家們，我是在對(duì)你們說(shuō)。你可能有一個(gè)4核或更多核的CPU，但我們合適的工具，例如 grep, bzip2, wc, awk, sed 等等，都是單線程的，只能使用一個(gè)CPU內(nèi)核。

借用卡通人物Cartman的話，“如何我能使用這些內(nèi)核”?

要想讓Linux命令使用所有的CPU內(nèi)核，我們需要用到GNU Parallel命令，它讓我們所有的CPU內(nèi)核在單機(jī)內(nèi)做神奇的map-reduce操作，當(dāng)然，這還要借助很少用到的–pipes 參數(shù)(也叫做–spreadstdin)。這樣，你的負(fù)載就會(huì)平均分配到各CPU上，真的。

BZIP2

bzip2是比gzip更好的壓縮工具，但它很慢！別折騰了，我們有辦法解決這問(wèn)題。

以前的做法：

cat bigfile.bin | bzip2 --best > compressedfile.bz2 

現(xiàn)在這樣：

cat bigfile.bin | parallel --pipe --recend '' -k bzip2 --best > compressedfile.bz2 

尤其是針對(duì)bzip2，GNU parallel在多核CPU上是超級(jí)的快。你一不留神，它就執(zhí)行完成了。

GREP

如果你有一個(gè)非常大的文本文件，以前你可能會(huì)這樣：

grep pattern bigfile.txt 

現(xiàn)在你可以這樣：

cat bigfile.txt | parallel --pipe grep 'pattern' 

或者這樣：

cat bigfile.txt | parallel --block 10M --pipe grep 'pattern' 

這第二種用法使用了 –block 10M參數(shù)，這是說(shuō)每個(gè)內(nèi)核處理1千萬(wàn)行——你可以用這個(gè)參數(shù)來(lái)調(diào)整每個(gè)CUP內(nèi)核處理多少行數(shù)據(jù)。

AWK

下面是一個(gè)用awk命令計(jì)算一個(gè)非常大的數(shù)據(jù)文件的例子。

常規(guī)用法：

cat rands20M.txt | awk '{s+=$1} END {print s}' 

現(xiàn)在這樣：

cat rands20M.txt | parallel --pipe awk \'{s+=\$1} END {print s}\' | awk '{s+=$1} END {print s}' 

這個(gè)有點(diǎn)復(fù)雜：parallel命令中的–pipe參數(shù)將cat輸出分成多個(gè)塊分派給awk調(diào)用，形成了很多子計(jì)算操作。這些子計(jì)算經(jīng)過(guò)第二個(gè)管道進(jìn)入了同一個(gè)awk命令，從而輸出最終結(jié)果。第一個(gè)awk有三個(gè)反斜杠，這是GNU parallel調(diào)用awk的需要。

WC

想要最快的速度計(jì)算一個(gè)文件的行數(shù)嗎？

傳統(tǒng)做法：

wc -l bigfile.txt 

現(xiàn)在你應(yīng)該這樣：

cat bigfile.txt | parallel --pipe wc -l | awk '{s+=$1} END {print s}' 

非常的巧妙，先使用parallel命令‘mapping'出大量的wc -l調(diào)用，形成子計(jì)算，最后通過(guò)管道發(fā)送給awk進(jìn)行匯總。

SED

想在一個(gè)巨大的文件里使用sed命令做大量的替換操作嗎？

常規(guī)做法：

sed s^old^new^g bigfile.txt 

現(xiàn)在你可以：

cat bigfile.txt | parallel --pipe sed s^old^new^g 

…然后你可以使用管道把輸出存儲(chǔ)到指定的文件里。

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

最新評(píng)論