如何提高 awk 的计算速度

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

这是一个创建于 1627 天前的主题，其中的信息可能已经有所发展或是发生改变。

有一个 50M 的文本，90 多万行，每行有个数字，用 shell 写个脚本用 awk 取数后经过一个幂运算再输出到新文本，7 个小时过去了，才完成 20 多万行，如何能提高这个效率？

第 1 条附言 · 2020-06-18 10:07:36 +08:00

原始数据
BJ|986|daxingqu
GZ|959|tianhequ
…省略 90 万行
我的需求结果是把每行的数字乘以 1024 的平方后放在行首，结果如下
1033895936|BJ|986|daxingqu
1005584384|GZ|959|tianhequ
…省略 90 万行

第 2 条附言 · 2020-06-18 10:56:38 +08:00

$./get.sh input.txt output.txt
$more get.sh
#!/bin/sh
m ＝$(wc -l $1 |awk {'print $1'})
for ((i ＝ 1;i ＜＝$m;i ＋＋))
do
sed -n ${i}p $1 |awk -F "|" {'print $2*1024^2'} |tr "\n" "|"＞＞$2&&sed -n ${i}p $1 ＞＞$2
done

第 3 条附言 · 2020-06-18 11:18:10 +08:00

哎，解决了，自己犯 2 了……

awk

文本

shell

脚本

26 条回复 • 2020-06-18 19:13:42 +08:00

amoia50

2020-06-18 08:58:21 +08:00 via iPhone

python 不香吗[狗头]

iintothewind

2020-06-18 09:05:47 +08:00

xargs, parallel 都可以并行处理可以试试

rrfeng

2020-06-18 09:07:36 +08:00 via Android

每行只有一个数字？没别的？
运算具体是啥？

你这相当于没说，咋分析

delectate

2020-06-18 09:08:00 +08:00

7 小时大约 25200s，处理 20w 行，一秒 10 行，不够快。
要么 py+多进程，要么像楼上说的并行处理，或者干脆把文件拆分，然后多个一起跑也行。

FrankHB

2020-06-18 09:14:10 +08:00

为什么非要制造瓶颈？这种简单任务你用 C 临时糊个都不用几分钟，省下几个小时不香吗……

lululau

2020-06-18 09:15:01 +08:00 via iPhone

单行命令的文本处理，python 真不香，sed awk perl ruby 不知道香到哪里去了，你也配叫脚本语言

CEBBCAT

2020-06-18 09:25:54 +08:00 via Android

上次可能是计算 int64 的移位，awk 确实没有 Python 快，我跑起来一会儿 awk 了发现还没跑好，然后再开了一个终端去写 Python，等我写完跑出结果了 awk 还是没有算完。

楼上这么说有什么依据吗？

momocraft

2020-06-18 09:50:38 +08:00

"经过一个幂运算" 是 awk 自己的计算吗？

layorlayor

2020-06-18 09:51:39 +08:00

把代码贴出来吧。感觉不应该这么慢

lululau

2020-06-18 09:52:55 +08:00

@CEBBCAT 举两个最简单也最常见的例子：

文本替换：

sed 's///'
gawk 'gsub()'
perl -pe 's///'
ruby -pe 'gsub!()'

取一列并做变换:

gawk '{print $1*2}'
perl -alne 'print $F[0]*2'
ruby -ane 'puts $F[0].to_i * 2'

欢迎楼下用 python 弄一个更简单的写法来打脸

还忘了说最近看到的一个行列结构文本处理的瑞士军刀 miller

ylrshui

2020-06-18 10:10:31 +08:00 via iPhone

估计 excel 都比这快

thedog

2020-06-18 10:30:38 +08:00

awk 不应该那么慢吧，很多时候，这种简单任务，awk 比 python 快的。

runze

2020-06-18 10:37:07 +08:00

代码贴出来看看？ awk 虽然不算快，但绝不至于慢到这种程度

TimePPT

2020-06-18 10:41:56 +08:00 via Android

这么规整的结构，还要做计算。pandas 很香的

ygtq

2020-06-18 10:45:51 +08:00

show me the code :)

xlcoder166

2020-06-18 10:46:57 +08:00

现有代码不变的思路 - 分治

1. 拆原文件至 90W / n （ CPU 核心数）个文件
2. shell 并行处理拆分的文件

youngster

2020-06-18 10:56:11 +08:00

估计不是 awk 慢，是你运算太慢，换个换个运算快的语言应该都能解决

layorlayor

2020-06-18 10:58:48 +08:00

awk -F'|' '{print $2*1024*1024"|"$0}' 这个很快呀

layorlayor

2020-06-18 11:03:22 +08:00

awk -F'|' '{print $2*1024*1024"|"$0} input.txt > output.txt

Vegetable

2020-06-18 11:05:14 +08:00

你这脚本写的是个啥，处理单行文本还有 for 循环？看着就害怕

Vegetable

2020-06-18 11:09:39 +08:00

btw，1024*1024 就是 2**20

klesh

2020-06-18 11:22:03 +08:00

测试命令：
seq 0 10000 | awk '{print "foo|"$1"|bar"}' > test.txt
time awk -F'|' '{print $2*1024*1024"|"$0}' test.txt

结果：
10484711424|foo|9999|bar
10485760000|foo|10000|bar

________________________________________________________
Executed in 76.44 millis fish external
usr time 54.70 millis 0.00 micros 54.70 millis
sys time 21.51 millis 962.00 micros 20.54 millis

硬件
CPU: Intel(R) Core(TM) i7-6700HQ CPU @ 2.60GHz
SSD: SanDisk SD8SB8U5

Kelan

2020-06-18 11:57:10 +08:00

这么小的文本跑 7 个小时有点离谱了把。

0x11901

2020-06-18 16:53:02 +08:00

说实话每次遇到这种问题总有一群人说用 python 不香么……

真是应了那句老话：当你手上有一把锤子的时候，看所有的东西都是钉子

freelancher

2020-06-18 18:40:49 +08:00

结果是个啥。得说呀。还是说附言二就解决了？

Semidio

2020-06-18 19:13:42 +08:00

@freelancher #24 注意看 18L 和附言 2 的区别