合并排序gzip压缩文件

Question

我有40个文件，每个2GB，存储在NFS架构上。 每个文件包含两列：数字ID和文本字段。 每个文件都已经过排序和gzip压缩。

如何合并所有这些文件，以便生成的输出也被排序？

我知道sort -m -k 1应该为未压缩的文件做技巧，但我不知道如何直接使用压缩文件。

PS：我不想要将文件解压缩到磁盘，合并它们以及再次压缩的简单解决方案，因为我没有足够的磁盘空间。

Answer 1

这是进程替换的用例。 假设您有两个要排序的文件， sorta.gz和sortb.gz 。 您可以使用<(...) shell运算符为gunzip -c FILE.gz输出以对这两个文件进行排序：

sort -m -k1 <(gunzip -c sorta.gz) <(gunzip -c sortb.gz) >sorted

进程替换使用表示该命令输出的文件名替换命令，并且通常使用命名管道或/dev/fd/...特殊文件实现。

对于40个文件，您将需要动态创建具有许多进程替换的命令，并使用eval执行它：

cmd="sort -m -k1 "
for input in file1.gz file2.gz file3.gz ...; do
    cmd="$cmd <(gunzip -c '$input')"
done
eval "$cmd" >sorted       # or eval "$cmd" | gzip -c > sorted.gz

Answer 2

    #!/bin/bash

    FILES=file*.gz               # list of your 40 gzip files
                                 # (e.g. file1.gz ... file40.gz)

    WORK1="merged.gz"            # first temp file and the final file
    WORK2="tempfile.gz"          # second temp file

    > "$WORK1"                   # create empty final file
    > "$WORK2"                   # create empty temp file

    gzip -qc "$WORK2" > "$WORK1" # compress content of empty second
                                 # file to first temp file

    for I in $FILES; do
        echo current file: "$I"
        sort -k 1 -m <(gunzip -c "$I") <(gunzip -c "$WORK1") | gzip -c > "$WORK2"
        mv "$WORK2" "$WORK1"
    done

使用bash globbing（文件* .gz）或40个文件名列表（用白色空格分隔）填写$ FILES最简单的文件列表。 $ FILES中的文件保持不变。

最后，80 GB数据在$ WORK1中压缩。 处理此脚本时，没有未压缩的数据写入磁盘。

Answer 3

在单个管道中添加不同风格的多文件合并 - 它需要$OUT/uniques uniques中的所有（预先排序的）文件，对它们进行排序合并并压缩输出，因为它的速度使用lz4：

find $OUT/uniques -name '*.lz4' |
  awk '{print "<( <" $0 " lz4cat )"}' |
  tr "\n" " " |
  (echo -n sort -m -k3b -k2 " "; cat -; echo) |
  bash |
  lz4 \
> $OUT/uniques-merged.tsv.lz4

Answer 4

确实有zgrep和其他常用实用程序可以使用压缩文件，但在这种情况下，您需要对未压缩数据进行排序/合并并压缩结果。