Chinaunix首页 | 论坛 | 博客
  • 博客访问: 3794439
  • 博文数量: 93
  • 博客积分: 3189
  • 博客等级: 中校
  • 技术积分: 4231
  • 用 户 组: 普通用户
  • 注册时间: 2009-02-02 13:29
个人简介

出没于杭州和青岛的程序猿一枚,对内核略懂一二

文章分类

全部博文(93)

文章存档

2016年(2)

2015年(3)

2014年(11)

2013年(29)

2012年(16)

2011年(5)

2010年(5)

2009年(22)

分类: LINUX

2013-12-04 17:44:16

你是否曾经有过要计算一个非常大的数据(几百GB)的需求?或在里面搜索,或其它操作——一些无法并行的操作。数据专家们,我是在对你们说。你可能有一个16核或更多核的CPU,但我们合适的工具,例如 grep, bzip2, wc, awk, sed等等,都是单线程的,只能使用一个CPU内核。

但是“如何我能使用这些CPU核心”?

要想让Linux命令使用所有的CPU核心,我们需要用到GNU Parallel命令,它让我们所有的CPU核心在单机内做神奇的map-reduce操作,当然,这还要借助很少用到的–pipes 参数(也叫做–spreadstdin)。这样,你的负载就会平均分配到各CPU上,真的。


BZIP2

bzip2是比gzip更好的压缩工具,但它很慢!别折腾了,我们有办法解决这问题。

以前的做法:

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

现在这样:

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

尤其是针对bzip2,GNU parallel在多核CPU上是超级的快。你一不留神,它就执行完成了。


GREP

如果你有一个非常大的文本文件,以前你可能会这样:

grep pattern bigfile.txt

现在你可以这样:

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

或者这样:

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

这第二种用法使用了–block 10M参数,这是说每个内核处理1千万行——你可以用这个参数来调整每个CUP内核处理多少行数据。


AWK

下面是一个用awk命令计算一个非常大的数据文件的例子。

常规用法:

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

现在这样:

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

这个有点复杂:parallel命令中的–pipe参数将cat输出分成多个块分派给awk调用,形成了很多子计算操作。这些子计算经过第二个管道进入了同一个awk命令,从而输出最终结果。第一个awk有三个反斜杠,这是GNU parallel调用awk的需要。


WC

想要最快的速度计算一个文件的行数吗?

传统做法:

wc -l bigfile.txt

现在你应该这样:

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调用,形成子计算,最后通过管道发送给awk进行汇总。


SED

想在一个巨大的文件里使用sed命令做大量的替换操作吗?

常规做法:

sed s^old^new^g bigfile.txt

现在你可以:

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

…然后你可以使用管道把输出存储到指定的文件里。

阅读(8514) | 评论(4) | 转发(0) |
给主人留下些什么吧!~~

少林功夫好2015-06-03 09:50:54

gdmmx:再补充一个实验,还是之前的fs.img和bzip2,但是parallel参数多了一个-j 1
# cat tmpfs_re.img | parallel --pipe --recend '' -j 1 -k bzip2 --best > 111.bz2 
parallel: Warning: YOU ARE USING --tollef. IF THINGS ARE ACTING WEIRD USE --gnu.
parallel: Warning: --tollef is obsolete and will be retired 20140222.
parallel: Warning: See: http://lists.gnu.org/archive/html/parallel/2013-02/msg00018.html
#&nb

-j参数是jobs的意思,加这个有啥用呢?

回复 | 举报

gdmmx2014-08-27 20:26:07

再补充一个实验,还是之前的fs.img和bzip2,但是parallel参数多了一个-j 1
# cat tmpfs_re.img | parallel --pipe --recend '' -j 1 -k bzip2 --best > 111.bz2 
parallel: Warning: YOU ARE USING --tollef. IF THINGS ARE ACTING WEIRD USE --gnu.
parallel: Warning: --tollef is obsolete and will be retired 20140222.
parallel: Warning: See: http://lists.gnu.org/archive/html/parallel/2013-02/msg00018.html
#&nb

gdmmx2014-08-27 20:06:31

# bzip2 --best tmpfs_re.img -c > 111.bz2
# file 111.bz2 
111.bz2: bzip2 compressed data, block size = 900k
# bunzip2 111.bz2 
# md5sum 111 tmpfs_re.img 
f151762f56ac9bf35fe4909186d818ad  111
f151762f56ac9bf35fe4909186d818ad  tmpfs_re.img

# rm -f 111     
# cat tmpfs_re.img | parallel --pipe --recend '' -k bzip2 --best &

gdmmx2014-08-27 19:44:03

今天才发现这篇文章,给力!

但是有一个疑问,已知这些parallel命令的原理是通过spread stdin到多个进程中并行处理,那么并行不会带来乱序的问题么?
上面那几个例子中,grep 'pattern',awk '{s+=$1} END {print s}',wc -l这几个都是即使stdin乱序也不影响最终结果。
但是最后那个sed例子,一旦发生stdin乱序,s^old^new^g的输出结果除了old字符串被替换成new之外,恐怕行与行之间的先后顺序也会发生改变吧?