Linux 在非常大的文件中快速搜索字符串
在包含字符串的文件中搜索行的最快方法是什么。我有一个包含字符串的文件要搜索。这个小文件(smallF)包含大约50000行,看起来像: stringToSearch1Linux 在非常大的文件中快速搜索字符串,linux,bash,grep,Linux,Bash,Grep,在包含字符串的文件中搜索行的最快方法是什么。我有一个包含字符串的文件要搜索。这个小文件(smallF)包含大约50000行,看起来像: stringToSearch1 stringToSearch2 stringToSearch3 我必须在一个更大的文件中搜索所有这些字符串(大约1亿行)。如果此较大文件中的任何一行包含搜索字符串,则打印该行 到目前为止,我想出的最好的方法是 grep -F -f smallF largeF 但这并不是很快。smallF中只有100个搜索字符串,大约需要4分钟。
stringToSearch2
stringToSearch3 我必须在一个更大的文件中搜索所有这些字符串(大约1亿行)。如果此较大文件中的任何一行包含搜索字符串,则打印该行 到目前为止,我想出的最好的方法是
grep -F -f smallF largeF
但这并不是很快。smallF中只有100个搜索字符串,大约需要4分钟。对于超过50000个搜索字符串,这将需要很多时间
有没有更有效的方法?我曾经注意到使用
-E
或多个-E
参数比使用-f
更快。请注意,这可能不适用于您的问题,因为您正在较大的文件中搜索50000个字符串。然而,我想向您展示可以做什么,以及哪些可能值得测试:
以下是我注意到的细节:
使用随机字符串填充1.2GB文件
>ls -has | grep string
1,2G strings.txt
>head strings.txt
Mfzd0sf7RA664UVrBHK44cSQpLRKT6J0
Uk218A8GKRdAVOZLIykVc0b2RH1ayfAy
BmuCCPJaQGhFTIutGpVG86tlanW8c9Pa
etrulbGONKT3pact1SHg2ipcCr7TZ9jc
.....
现在我想使用不同的grep方法搜索字符串“ab”、“cd”和“ef”:
-f
标志
>cat search.txt
ab
cd
ef
>grep -F -f search.txt strings.txt > m2.out
31,55s user 0,60s system 99% cpu 32,343 total
-e
grep -E "ab|cd|ef" strings.txt > m3.out
3,80s user 0,36s system 98% cpu 4,220 total
或
-E
的第三种方法只需4.22秒即可搜索文件
现在让我们检查结果是否相同:
cat m1.out | sort | uniq > m1.sort
cat m3.out | sort | uniq > m3.sort
diff m1.sort m3.sort
#
diff不产生输出,这意味着找到的结果是相同的
可能想试试,否则我建议您查看“尽可能快的grep”线程,请参阅Cyrus的评论。注意:我意识到以下内容不是基于bash
的解决方案,但鉴于您的搜索空间大,并行解决方案是有保证的
如果您的机器有多个内核/处理器,您可以在中调用以下函数来并行搜索:
#!/usr/bin/env python
#pythran export search_in_file(string, string)
def search_in_file(long_file_path, short_file_path):
_long = open(long_file_path, "r")
#omp parallel for schedule(guided)
for _string in open(short_file_path, "r"):
if _string in _long:
print(_string)
if __name__ == "__main__":
search_in_file("long_file_path", "short_file_path")
注意:在幕后,Pythran使用Python代码,并试图将其编译成非常快的C++。
< P>你可能想尝试或。Sift特别列出了一些与grep相比令人印象深刻的基准测试。No。这是最有效的方法,除非你可以并行搜索,或者编写一个特殊用途的程序。请参阅:fgrep
而不是grep-F
应该快一点…@Jahid:来自GNU grep的主页:“fgrep与grep-F相同。”@Jahid要澄清这是/usr/bin/fgrep
的内容/bin/sh exec grep-F“$@”
cat m1.out | sort | uniq > m1.sort
cat m3.out | sort | uniq > m3.sort
diff m1.sort m3.sort
#
#!/usr/bin/env python
#pythran export search_in_file(string, string)
def search_in_file(long_file_path, short_file_path):
_long = open(long_file_path, "r")
#omp parallel for schedule(guided)
for _string in open(short_file_path, "r"):
if _string in _long:
print(_string)
if __name__ == "__main__":
search_in_file("long_file_path", "short_file_path")