如何拆分文件并将它们并行处理然后再缝合？ UNIX

Question

我有一个文本文件infile.txt如下：

abc what's the foo bar.
foobar hello world, hhaha cluster spatio something something.
xyz trying to do this in parallel
kmeans you're mean, who's mean?

文件中的每一行都将通过此perl命令处理到out.txt中

`cat infile.txt | perl dosomething > out.txt`

想象一下，如果文本文件是100,000,000行。 我想并行化bash命令，所以我尝试了这样的事情：

$ mkdir splitfiles
$ mkdir splitfiles_processed
$ cd splitfiles
$ split -n3 ../infile.txt
$ for i in $(ls); do "cat $i | perl dosomething > ../splitfiles_processed/$i &"; done
$ wait
$ cd ../splitfiles_processed
$ cat * > ../infile_processed.txt

但是，有一种不那么冗长的方式来做同样的事情吗？

Answer 1

@Ulfalizer的答案为您提供了解决方案的良好提示，但缺乏细节。

你可以使用GNU parallel （Debian上的apt-get install parallel ）

因此，使用以下命令可以解决您的问题：

parallel -a infile.txt -l 1000 -j10 -k --spreadstdin perl dosomething > result.txt

这是论证的意义

-a: read input from file instead of stdin
-l 1000: send 1000 lines blocks to command
-j 10: launch 10 jobs in parallel
-k: keep sequence of output
--spreadstdin: sends the above 1000 line block to the stdin of the command

Answer 2

我自己从未尝试过，但GNU parallel可能值得一试。

以下是手册页（ parallel(1) ）的摘录，与您目前正在进行的操作类似。 它也可以用其他方式分割输入。

EXAMPLE: Processing a big file using more cores
       To process a big file or some output you can use --pipe to split up
       the data into blocks and pipe the blocks into the processing program.

       If the program is gzip -9 you can do:

       cat bigfile | parallel --pipe --recend '' -k gzip -9 >bigfile.gz

       This will split bigfile into blocks of 1 MB and pass that to gzip -9
       in parallel. One gzip will be run per CPU core. The output of gzip -9
       will be kept in order and saved to bigfile.gz

这是否值得取决于您的处理CPU密集程度。 对于简单的脚本，您将花费大部分时间将数据移入和移出磁盘，并行化并不会让您受到太多影响。

您可以找到由GNU并行笔者部分介绍影片在这里 。

Answer 3

假设您的限制因素不是您的磁盘，您可以使用fork()并特别是Parallel::ForkManager在perl中执行此Parallel::ForkManager ：

#!/usr/bin/perl

use strict;
use warnings;

use Parallel::ForkManager;

my $max_forks = 8; #2x procs is usually optimal

sub process_line {
    #do something with this line
}

my $fork_manager = Parallel::ForkManager -> new ( $max_forks ); 

open ( my $input, '<', 'infile.txt' ) or die $!;
while ( my $line = <$input> ) {
    $fork_manager -> start and next;
    process_line ( $line );
    $fork_manager -> finish;
}

close ( $input );
$fork_manager -> wait_all_children();

做这样的事情的缺点是合并你的输出。 每个并行任务不一定按照它开始的顺序完成，因此您有关于序列化结果的各种潜在问题。

您可以使用像flock这样的东西解决这些问题，但是您需要小心，因为太多的锁定操作可能会首先夺走您的并行优势。 （因此我的第一个声明 - 如果你的限制因素是磁盘IO，那么并行性无论如何都无济于事）。

但是有各种可能的解决方案 - 在perl docs中写了很多章节： perlipc - 但请记住，你也可以用Parallel::ForkManager检索数据。