英文原文:Use multiple CPU Cores with your Linux commands
你是否曾经有过要计算一个非常大的数据(几百 GB)的需求?或在里面搜索,或其它操作——一些无法并行的操作。数据专家们,我是在对你们说。你可能有一个 4 核或更多核的 CPU,但我们合适的工具,例如 grep, bzip2, wc, awk, sed等等,都是单线程的,只能使用一个 CPU 内核。
借用卡通人物 Cartman 的话,“如何我能使用这些内核”?
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
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。
GREP
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。
AWK
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。
WC
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。
SED
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。