awk一种内存溢出的解决

首先声明这次awk用途，是从一个nginx的access_log中抽取一些关键字，进行访问次数的排序。希望实现的功能很简单，但是日志文件非常庞大，文件大小会超过40G。

步骤一：

在用awk进行解析的时候，报错

awk: (FILENAME=- FNR=4894190) fatal: str2wstr: *ptr: can't allocate 676 bytes of memory (Cannot allocate memory)

也就是说程序内存控制出了问题，有未释放的内容，积累起来出现问题。

代码如下：

1. awk -F\" '{ if( match($2, "kfuin=([0-9]+)") ) print substr($2,RSTART+6,RLENGTH-6)}' log_file > aaa.txt  

步骤二：

在awk运行过程中，用top命令进行查看，发现awk占用内存一直在增加。初步分析认为，可能是awk将过多的内容读入内存，进行处理。那么换一种方式是否可以，逐行读入交给awk处理：

1. cat log_file | awk -F\" '{ if( match($2, "kfuin=([0-9]+)") ) print substr($2,RSTART+6,RLENGTH-6)}' > aaa.txt  

这种方式会引发同类型的错误：awk: (FILENAME=- FNR=4892857) fatal:Memory exhausted

写一个最简单的awk来验证

1. awk -F\" '{ print $1 }' > aaa.txt  

用top命令查看，内存占用几乎为0，而且不会增长。由此判断很有可能awk调用方式的问题。

在google搜索相应内容，有人可能是match函数问题，如果在函数中使用match函数，会引发类似问题。链接地址：

但是显然不是希望的答案，尝试按照里面的方式给正则表达式赋值，和预期一样，问题依然存在。

用man命令，查看match函数的文档

match(s, r [, a])

返回匹配正则表达式r在s中的位置，如果不存在返回0，会将位置和长度信息赋值给RSTART和RLENGTH变量。注意参数顺序与~操作符一样。str ~ re。如果传入第三个数组，a的值会覆盖，将匹配的圆括号中的表达式，从1到n填充给a。a的第0个元素，完整匹配正则r的部分字符串s

步骤三：

尝试使用match函数的第三个参数进行改造

1. awk -F\" ' match($2, /kfuin=([0-9]+)/, matches) { print matches[1] }' log_file > aaa.txt  

运行起来，一切正常。

分析：

调用substr产生问题，推断不能在循环中使用substr，结论还有后续验证。

--------------------------------------------------------------------------------------------------------------------------------------------

网上有人分析过sed, awk, head分析大文件的效率。awk效率最高，其次为head，sed效率最低。

[root@file data1]# time sed -n '31268618,33573328p' design.acl >/dev/null

real 1m15.584s
user 1m6.727s
sys 0m0.880s
[root@file data1]# time awk 'NR>=31268618;NR==33573328{exit}' design.acl >/dev/null

real 0m29.460s
user 0m14.713s
sys 0m0.938s
[root@file data1]# time head -33573328 design.acl | tail -31268618 >/dev/null

real 1m8.819s
user 0m3.761s
sys 0m5.090s

好的工具还是要正确使用