Linux或Mac下的并行(parallel)文本处理

Reading time ~3 minutes

平常数据处理时,有时并不直接用Spark或MR来做。一者是我司内部重编译打包提交任务还是蛮麻烦的。 二者若数据量不太大,简单的文本处理awk、sed等做着却更方便省事儿快捷。

但仅仅用awk和sed是不能并行,也就不能充分利用单台机子的CPU的,所以比如尴尬的文件如10G,处理起来就比较慢了。要是能利用单机的16CPU该是多好?

GNU Parallel

接着我就发现了GNU Parallel这货。

安装

Mac装起来比较简单

brew install parallel

就可以了,其他系统可以参照上面的链接的Downloading GNU Parallel部分。

使用

使用可参照parallel --help,下面讲几个常用的。 ​
./parallel -k --no-notice -j 16 --pipe -q

其中参数: -k表示输出与原有顺序, -j就是跑jobs的数量,也就是并行的数量, -q表示-quote,就是后面跟的命令中如果包含特殊字符,不必用转义符\--pipe就是丛stdin里读取并分割处理, --no-notice就是为了让parallel不唠叨。

例子

现在给一个word count的例子吧

parallel <$FILE --no-notice -j 16 --pipe -q awk '{for(i=1;i<=NF;i++) words[$i]+=1}END{for(w in words) print w "\t" words[w]}' | awk '{words[$1]+=$2}END{for(w in words) print w "\t" words[w]}'

但其实这个例子不太好。因为这个wc的瓶颈在未并行的第二个awk,而且使用pipeline,会导致前面并行的awk阻塞。而如果只是对每一行做一些文本处理,用parallel并行提速,自然最好不过了。

Original post: http://blog.josephjctang.com/2014-12/paralell-in-text-processing/

重操堆文这旧业之时间日志分析

写作的习惯,已经断了许久了。上一篇已经是去年的文章了,也是做的[时间日志分析]({% post_url 2019-02-23-time-log-analysis %}) 。 正好做时间总结,也把写作捡起来吧。# 低效时间分析用 [RescueTime](https://www.rescueti...… Continue reading

个人近期时间日志分析

Published on February 23, 2019

问问题的妙用

Published on May 27, 2018