Miglioramento delle prestazioni per il grepping su un file di grandi dimensioni

Ho FILE_A che ha oltre 300.000 linee e FILE_B che ha oltre 30 milioni di linee. Ho creato uno script Bash che inserisce ciascuna riga in FILE_A in FILE_B e scrive il risultato del grep in un nuovo file.

L'intero processo richiede oltre 5 ore.

Come posso migliorare le prestazioni della mia sceneggiatura?

Sto usando grep -F -m 1come comando grep. FILE_A è simile al seguente:

123456789 
123455321

e FILE_B è così:

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

Quindi con Bash ho un whileloop che seleziona la riga successiva in FILE_A e la inserisce in FILE_B. Quando lo schema si trova in FILE_B, lo scrivo nel file result.txt.

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

Prova a usare grep --file==FILE_A. Carica quasi sicuramente i motivi in ​​memoria, il che significa che scansionerà FILE_B solo una volta.

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

Ecco una risposta Perl per i posteri. Lo faccio abitualmente per abbinare le linee 1M alle linee 30-35M. Ci vogliono circa 10 secondi per terminare.

Innanzitutto, esegui l'hash di 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;

Quindi, se il tuo file di grandi dimensioni è delimitato e sai quale colonna seguire, controlla solo l'esistenza della chiave hash mentre esegui FILE_B, che è molto, molto più veloce del controllo dell'uguaglianza o della corrispondenza delle espressioni regolari:

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;

Se il tuo file di destinazione più grande non è ben analizzabile, allora questo script perde il suo valore poiché gran parte della sua velocità deriva dal non dover accendere il motore delle espressioni regolari .

Se non ti dispiace un po 'più di programmazione coinvolta, considera l'utilizzo di alberi di suffisso (o una variante).

Puoi preelaborare FILE_Busando l'algoritmo di Ukkonen in tempo lineare. Quindi, esegui una query su ogni riga nel FILE_Atempo lineare nella lunghezza della riga e ottieni tutti i numeri di riga corrispondenti (potrebbe essere necessario adattare l'albero un po ') che puoi scrivere in un file di risultati.

L'intera procedura viene eseguita nel tempo O (n + Nm) se n è la lunghezza di FILE_B, Nè il numero di linee in FILE_Ae m è la lunghezza della linea più lunga in FILE_A- questo è essenzialmente tempo di esecuzione lineare. Batte il tempo quadratico di cui il tuo approccio originale ha bisogno per grandezza.

Recentemente ho trovato la --mmapbandiera, non ho avuto la possibilità di provarla, ma sarò felice di sapere quali sono le tue scoperte. Ecco la descrizione dalla pagina 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.

Vedi questo o questo per ulteriori informazioni su mmap.

perché non metti quel file in un database, i database sono davvero bravi a fare un merge efficiente, hash, loop annidato in questo modo. E sono davvero bravi a utilizzare la memoria virtuale