Poprawa wydajności grepowania ponad dużym plikiem

Mam FILE_A, który ma ponad 300 000 linii i FILE_B, który ma ponad 30 milionów linii. Utworzyłem skrypt Bash, który przechwytuje każdą linię w pliku FILE_A w pliku FILE_B i zapisuje wynik polecenia grep w nowym pliku.

Cały ten proces trwa ponad 5 godzin.

Jak mogę poprawić wydajność mojego skryptu?

Używam grep -F -m 1jako polecenia grep. FILE_A wygląda następująco:

123456789 
123455321

a FILE_B wygląda następująco:

123456789,123456789,730025400149993,
123455321,123455321,730025400126097,

Tak więc w Bash mam whilepętlę, która wybiera następną linię w FILE_A i greps w FILE_B. Kiedy wzorzec zostanie znaleziony w PLIKU_B, zapisuję go w pliku wynikowym.txt.

while read -r line; do
   grep -F -m1 $line 30MFile
done < 300KFile

Spróbuj użyć grep --file==FILE_A. Niemal na pewno ładuje wzorce do pamięci, co oznacza, że ​​skanuje PLIK_B tylko raz.

grep -F -m1 --file==300KFile 30MFile

Oto odpowiedź Perla na potomstwo. Rutynowo robię to w celu dopasowania linii 1M do linii 30-35M. Zakończenie zajmuje około 10 sekund.

Najpierw haszuj FILE_A:

my %simple_hash;
open my $first_file, '<', 'FILE_A' or die "What have you done?! $!";
while (<$first_file>) {
  chomp;                 ## Watch out for Windows newlines
  $simple_hash{$_} = 1;  ## There may be an even faster way to define this
}
close $first_file;

Następnie, jeśli twój duży plik jest rozdzielany i wiesz, po której kolumnie chcesz szukać, po prostu sprawdź, czy istnieje klucz skrótu podczas uruchamiania FILE_B, co jest znacznie, dużo szybsze niż sprawdzanie równości lub dopasowania wyrażeń regularnych:

open my $second_file, '<', 'FILE_B' or die "Oh no, not again.. $!";
while (<$second_file>) {
  my ($col1, undef) = split ',';
  if (exists($simple_hash{$col1}) {
    print $_;
  }
}
close $second_file;

Jeśli większy plik docelowy nie daje się łatwo przeanalizować, skrypt traci swoją wartość, ponieważ duża część jego szybkości wynika z konieczności uruchamiania silnika wyrażeń regularnych .

Jeśli nie masz nic przeciwko bardziej zaangażowanemu programowaniu, rozważ użycie drzewa sufiksów (lub jego wariantu).

Możesz wstępnie przetwarzać FILE_Bprzy użyciu algorytmu Ukkonen w czasie liniowym. Następnie przeszukujesz każdą linię w FILE_Aczasie liniowo wzdłuż linii i otrzymujesz wszystkie pasujące numery linii (może być konieczne dostosowanie drzewa tad), które możesz zapisać do pliku wynikowego.

Cała procedura przebiega w czasie O (n + Nm), jeśli n jest długością FILE_B, Njest liczbą linii FILE_Awm, a m jest długością najdłuższej linii w FILE_A- jest to zasadniczo liniowy czas działania. Pokonuje kwadratowy czas, jakiego potrzebuje twoje oryginalne podejście pod względem wielkości.

--mmapOstatnio znalazłem flagę, nie miałem okazji jej przetestować, ale z przyjemnością usłyszę o twoich ustaleniach. Oto opis ze strony man:

--mmap If  possible, use the mmap(2) system call to read input, instead
      of the default read(2) system call.  In some situations,  --mmap
      yields  better performance.  However, --mmap can cause undefined
      behavior (including core dumps) if an input file  shrinks  while
      grep is operating, or if an I/O error occurs.

Zobacz to lub to, aby uzyskać dodatkowe informacje na temat mmap.

dlaczego nie umieścisz tego pliku w bazie danych, bazy danych są naprawdę dobre w wykonywaniu efektywnego łączenia, mieszania, łączenia zagnieżdżonego w ten sposób. I są naprawdę dobrzy w wykorzystaniu pamięci wirtualnej