[英]Merge sort gzipped files
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。
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
#!/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。
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
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。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.