共计 1447 个字符,预计需要花费 4 分钟才能阅读完成。
导读 | 在处理大数据的时候我们总会想着一些并行的操作来加速我们的操作,我们的 cpu 是多核多线程的,但是我们的有些命令却是单线程的命令,不能够进行并行的运算,如:grep、bzip2、wc、awk、sed 等等,只能使用一个 CPU 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,下面我们技术下加速的方法吧 |
我们都知道 grep, bzip2, wc, awk, sed 等等,都是单线程的,只能使用一个 CPU 内核。那么如何才能使用这些内核?
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 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。
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。
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。
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。
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。
![post-qrcode](https://www.xgss.net/wp-content/uploads/2023/07/二维码-微信公众号256x256.jpg)