[英]Split a large, compressed file into multiple outputs using AWK and BASH
我有一個大 (3GB) 的 gzip 文件,其中包含兩個字段:NAME 和 STRING。 我想將此文件拆分為較小的文件 - 如果字段一是 john_smith,我希望將字符串放在 john_smith.gz 中。 注意:字符串字段可以並且確實包含特殊字符。
我可以使用 BASH 在域上的 for 循環中輕松完成此操作,但我更喜歡使用 AWK 一次讀取文件的效率。
我嘗試在 awk 中使用系統 function 並在字符串周圍使用轉義單引號
zcat 大文件.gz | awk '{system("echo -e '"'"'"$1"\t"$2"'"'"' | gzip >> "$1".gz");}'
它在大多數行上都能正常工作,但是其中一些被打印到 STDERR 並給出 shell 無法執行命令的錯誤(shell 認為字符串的一部分是命令)。 看起來特殊字符可能會破壞它。
關於如何解決這個問題的任何想法,或者任何有幫助的替代實現?
謝謝!
-肖恩
您正面臨時間與磁盤空間的巨大權衡。 我假設您正在嘗試通過將記錄附加到 ${name}.gz 文件的末尾來節省空間。 @sehe 評論和代碼絕對值得考慮。
無論如何,您的時間比 3 GB 的磁盤空間更有價值。 為什么不試試
zcat large_file.gz \
| awk '-F\t' {
name=$1; string=$2; outFile=name".txt"
print name "\t" string >> outFile
# close( outFile)
}'
echo *.txt | xargs gzip -9
您可能需要取消注釋 #close(outFile)。 包含 xargs 是因為我假設您將創建超過 1000 個文件名。 即使您不這樣做,使用該技術也不會受到傷害。
請注意,此代碼假定使用制表符分隔的數據,根據需要更改 -F 的 arg 值以及打印語句中的“\t”以提供所需的字段分隔符。
沒時間測試這個。 如果您喜歡這個想法並遇到困難,請發布小樣本數據、預期的 output 以及您收到的錯誤消息。
我希望這有幫助。
創建這個程序,比如largesplitter.c
並使用命令
zcat large_file.gz | largesplitter
朴素的程序是:
#include <errno.h>
#include <stdio.h>
#include <string.h>
int main (void)
{
char buf [32000]; // todo: resize this if the second field is larger than
char cmd [120];
long linenum = 0;
while (fgets (buf, sizeof buf, stdin))
{
++linenum;
char *cp = strchr (buf, '\t'); // identify first field delimited by tab
if (!cp)
{
fprintf (stderr, "line %d missing delimiter\n", linenum);
continue;
}
*cp = '\000'; // split line
FILE *out = fopen (buf, "w");
if (!out)
{
fprintf (stderr, "error creating '%s': %s\n", buf, strerror(errno));
continue;
}
fprintf (out, "%s", cp+1);
fclose (out);
snprintf (cmd, sizeof cmd, "gzip %s", buf);
system (cmd);
}
return 0;
}
這在我的系統上編譯沒有錯誤,但我沒有測試它的功能。
也許嘗試以下方式:
zcat large_file.gz | echo $("awk '{system("echo -e '"'"'"$1"\t"$2"'"'"' | gzip >> "$1".gz");}'")
我自己沒有嘗試過,因為我沒有任何大文件可以玩。
這個小 perl 腳本很好地完成了這項工作
gzip
管道 output $fh
有點雜亂無章,因為顯然直接使用 hash 條目不起作用
#!/usr/bin/perl
use strict;
use warnings;
my $suffix = ".txt.gz";
my %pipes;
while (my ($id, $line) = split /\t/,(<>),2)
{
exists $pipes{$id}
or open ($pipes{$id}, "|gzip -9 > '$id$suffix'")
or die "can't open/create $id$suffix, or cannot spawn gzip";
my $fh = $pipes{$id};
print $fh $line;
}
print STDERR "Created: " . join(', ', map { "$_$suffix" } keys %pipes) . "\n"
哦,像這樣使用它
zcat input.gz | ./myscript.pl
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.