Multithreading 如何使用GNU并行编写多核排序

GNU parallel是一个shell工具，用于使用一台或多台计算机并行执行作业

例如，如果我想编写多核版本的

wc

，我可以：

cat XXX | parallel --block 10M --pipe wc -l | awk 'BEGIN{count=0;}{count = count+ $1;} END{print count;}'

---

我的问题是如何使用并行进行排序？我知道我应该做的是将并行结果通过管道传输到“合并排序文件”命令（就像合并排序中的最终合并），但我不知道如何做到这一点。

有几种方法可以做到这一点

让我们使用一个简单的文本文件：

$ curl http://www.gutenberg.org/cache/epub/2701/pg2701.txt 2>/dev/null |
   tr " " "\n" | tr "[A-Z]" "[a-z]" | 
   sed -e 's/[[:punct:]]*//g' -e '/^[[:space:]]*$/d' > moby-dick-words.txt

$ wc moby-dick-words.txt

215117 moby-dick-words.txt
$ time sort moby-dick-words.txt > moby-dick-words-sorted.txt

real    0m0.260s
user    0m0.462s
sys 0m0.004s

我们可以对文本的各个部分进行排序，比如说一次10000个单词，然后将一些艰苦的串行工作推迟到合并（

sort-m

）部分：

因此，它将文本拆分为连续的10000行块，使用parallel对每个块进行排序，然后使用

sort-m

将排序后的块合并为一个完整的排序

下一种方法是在拆分阶段而不是合并阶段进行艰苦的工作，以便通过一个简单的cat将部分结果合并在一起：

  $ rm tmp/*
  $ letters="a b c d e f g h i j k l m n o p q r s t u v w x y z 0 1 2 3 4 5 6 7 8 9"
  $ time (
    cd tmp; 
    parallel sed -e "/^{}/w{}.txt" ../moby-dick-words.txt ::: $letters >& /dev/null;
    parallel sort {}.txt -o {}.sorted.txt ::: $letters;  
    cat *.sorted.txt > ../moby-dick-words-sorted-split.txt;
    rm *.txt )

  real  0m1.015s
  user  0m2.355s
  sys   0m0.510s
  $ diff moby-dick-words-sorted-split.txt moby-dick-words-sorted.txt
  $ uniq -c moby-dick-words-sorted-split.txt | tail
  1 zeuglodon
  1 zigzag
  5 zodiac
  1 zogranda
  4 zone
  1 zone
  2 zoned
  3 zones
  2 zoology
  1 zoroaster

在这里，我们（并行地）按行的第一个字符分割文件；分别对这些文件进行排序；然后合并是一个简单的连接

---

请注意，这仅用于娱乐/教育目的；gnu sort的更高版本内置了并行性（查看选项），这将比这做得更好。在中可以看到合并方法的更圆滑版本。

我意识到这是一个有点强迫的例子，但随着复杂性的增加，性能越来越差。我们得到了什么？@glennjackman什么都没有！在这些情况下，额外的文件I/O完全支配了多核带来的任何好处。通过限制启动的作业数量、使用管道而不是文件系统以及处理更大的数据，可以获得更好的作业性能，但真正使用并行排序只是一种通用技术的示例（IMHO）。使用多核排序的正确方法是使用

sort--parallel

@JonathanDursi奇妙的解释！我知道这只是出于娱乐/教育目的。但是，在集群中使用parallel是否可能与使用其他语言的map-reduce竞争呢？如果没有，我们什么时候应该使用GNU parallel？@qqibrow这就是事情变得更有趣的地方——使用（比如）GNU parallel在集群上的节点之间分发东西，然后排序——并行在节点内进行多核排序。这样，您就可以访问更多的RAM来进行排序，这样可以提高性能（不过请注意，

sort

s外部内存排序的性能非常好）。一旦一个人跨越了节点，就没有真正的理由认为gnu parallel是一种比任何其他工作岗位培养方法更糟糕的工作岗位培养方法；但并非所有用例都能很好地映射到gnu并行。避免首先使用

split

。这会毁了你的表演。改为使用--pipe part:这样，您将只读取一次文件，并且将有多个CPU执行此操作。rtfm。是 啊我应该读一下。谢谢

  $ rm tmp/*
  $ letters="a b c d e f g h i j k l m n o p q r s t u v w x y z 0 1 2 3 4 5 6 7 8 9"
  $ time (
    cd tmp; 
    parallel sed -e "/^{}/w{}.txt" ../moby-dick-words.txt ::: $letters >& /dev/null;
    parallel sort {}.txt -o {}.sorted.txt ::: $letters;  
    cat *.sorted.txt > ../moby-dick-words-sorted-split.txt;
    rm *.txt )

  real  0m1.015s
  user  0m2.355s
  sys   0m0.510s
  $ diff moby-dick-words-sorted-split.txt moby-dick-words-sorted.txt
  $ uniq -c moby-dick-words-sorted-split.txt | tail
  1 zeuglodon
  1 zigzag
  5 zodiac
  1 zogranda
  4 zone
  1 zone
  2 zoned
  3 zones
  2 zoology
  1 zoroaster