如何利用多核CPU来加速你的Linux命令 — awk, sed, bzip2, grep, wc等

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4核或更多核的CPU,但我们合适的工具,例如 grepbzip2wcawksed等等,都是单线程的,只能使用一个CPU内核。

借用卡通人物Cartman的话,“如何我能使用这些内核”?

要想让Linux命令使用所有的CPU内核,我们需要用到GNU Parallel命令,它让我们所有的CPU内核在单机内做神奇的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。

分享这篇文章:
[英文原文:Use multiple CPU Cores with your Linux commands ]

26 Responses to 如何利用多核CPU来加速你的Linux命令 — awk, sed, bzip2, grep, wc等

  1. haitao says:

    parallel –block 10M===每个内核处理1千万行 还是 字节?
    cat xxx还是单个过程吧?能让cat xxx也分别通过n个进程cat不同的位置的内容吗?

  2. none says:

    对于后几个例子,真的能更快吗?awk求和、wc统计字数这些本身就不耗CPU吧。瓶颈都在前面cat的IO上了。

  3. yoncan says:

    [root@localhost data]# cat big2.txt |parallel –pipe wc -l
    parallel: invalid option — ‘-‘
    parallel [OPTIONS] command — arguments
    for each argument, run command with argument, in parallel
    parallel [OPTIONS] — commands
    run specified commands in parallel

    ##
    为什么执行出错了..

  4. CipherChen says:

    为什么删掉我的评论!
    我发现wiki上有一片关于mapreduce的文章!

  5. hupantingxue says:

    cat xxx文件很慢吧,为何必须先cat xxx呢?

    • Shellexy says:

      用 time 对 333M 的文本测试速度

      $ seq 40000000 > seq.txt

      $ du -h seq.txt
      333M seq.txt

      $ time cat seq.txt > /dev/null

      real 0m0.203s
      user 0m0.004s
      sys 0m0.200s

      $ time wc -l seq.txt
      40000000 seq.txt

      real 0m1.487s
      user 0m1.180s
      sys 0m0.300s

      $ time cat seq.txt | parallel –pipe wc -l | awk ‘{s+=$1} END {print s}’
      40000000

      real 0m6.779s
      user 0m5.372s
      sys 0m6.964s

  6. 优优 says:

    用命令用的不多。很少。。。好像是机器翻译的

  7. xyjprc says:

    实测cat bigfile.txt | parallel –pipe wc -l | awk ‘{s+=$1} END {print s}’比wc -l bigfile.txt慢好多倍。。。

  8. Paull says:

    慢,更慢。。。。慢好几倍。。。

  9. liheng says:

    我的parallel –pipe awk怎么就不行了

  10. liheng says:

    我用的是cat RunInfo/vm3/StatementCov|parallel – -pipe awk \'{print \$1}\’|awk ‘{print $1}’显示的却是/bin/bash: -c: 选项需要一个参数。。。怎么回事

  11. Yifang Tan 对这篇文章的反应是赞一个
  12. SeekBar  这篇文章, 并对这篇文章的反应是赞一个
  13. yinandyi 对这篇文章的反应是赞一个
  14. Sean 对这篇文章的反应是赞一个
  15. oliver 对这篇文章的反应是
  16. ferstar says:

    实测cat bigfile.txt | parallel –pipe wc -l | awk ‘{s+=$1} END {print s}’比wc -l bigfile.txt慢好多倍,在内存盘里测试,所以不存在磁盘IO限制的说法,而且文件越大越慢。

  17. deepkolos 对这篇文章的反应是赞一个

发表评论

电子邮件地址不会被公开。 必填项已用*标注