问个 shell 命令文件行提取问题

[shuizhongyu10]

两个文件 A，B，A 单列文件，B 多列文件
对 A 中每一行，到 B 中找对应第一列相同的行，提取出来到 C 文件中。
目前我是这样写的：
cat A | awk '{printf("grep %s B>>C\n",$1)}' | bash
但无奈实在有点慢，这里的 B 文件比较大，300w+行，A 文件 10w+行。
老哥们有什么方案能快点的吗？

A B 文件我放在网盘上了，大家如果有兴趣可以试试
链接: https://pan.baidu.com/s/1iWWhjhEEpUtMErDCC3Q3kA 提取码: xxr5

目前采用 @Sherlocker 老哥的方法，速度很快。
awk 'NR==FNR{a[$1]=$0;next}NR>FNR{if($1 in a)print $0}' a b > c

[necomancer]

你可能需要 look 命令：
man look:
look - display lines beginning with a given string
建议你看看手册。另外，先排序 B 文件会提高很多效率：
sort -d B > Bsorted
while read line
do
look ${line} Bsorted >> C
done < A
希望你的 A，B 都是 unique 的，重复内容浪费资源。
至于 sort 和 uniq，都有比较快的方法，比如 linux 下还能用 parallel 加速。

[necomancer]

或者使用 sgrep，我记得 sgrep 是需要排序好的文件的，用二分查找。

[necomancer]

look 也是 binary search，但只能查行头。看实际需求吧。

[geelaw]

因为你每次都要重新读一次 B 文件 - - 先存到内存里比较好，所以请换 PowerShell 或者脚本语言。

$b = {} # 大小写不敏感，要得到敏感版本，使用 [System.Collections.Generic.Dictionary[string,string]]::new()
gc B | % { $b[$_.Substring(0, $_.IndexOf(' ') - 1)] = $_ }
gc A | % { $b[$_] } | sc C

[hugee]

@shuizhongyu10 建议把文本发出来，这样我们好测试代码执行速度。

[necomancer]

每次读文件是个问题，sort -d B > /tmp/Bsorted，如果可以放内存里的话^_^

[Sherlocker]

给个文本截图啊，如果分隔符都是空格应该一条 awk 命令搞定
awk 'NR==FNR{a[$1]=$0;next}NR>FNR{if($1 in a)print $0}' a b > c

[shuizhongyu10]

@necomancer 感谢老哥 ，试了下你这种，速度差别不是很大 。最大瓶颈应该就是重复读入了 B 文件，我就是不知道怎么只读入一次

[shuizhongyu10]

@geelaw 老哥。你这是个什么语言，我都不会用

[shuizhongyu10]

牛逼了老哥，你这个速度贼快。你这种应该就是解决了多次读入 B 文件的问题，nb ！

[shuizhongyu10]

@Sherlocker 牛逼了老哥，你这个完美解决了多次读 B 的问题，A，B 文件都只读一次，速度贼快。

[shuizhongyu10]

@hugee 那我一会传网盘，放个链接？

[zbinlin]

awk 'BEGIN { while ( (getline line<"A") > 0 ) { hash[line] = 1 } } hash[$1] == 1 { print $0 }' B

[mononite]

A 和 B 都读取一次，先读 A 保存起来，再读 B 过滤，用 awk 处理很直接。
awk 'NR==FNR{a[$1];next}$1 in a' A B

[geelaw]

@geelaw #4 这里应该改成 $b=@{} 然后 gc 需要调优，正确的代码

measure-command {
$sz = gc b -read 16000 | measure | select -expand count
$sz *= 2 * 16000
$b = [System.Collections.Generic.Dictionary[string,string]]::new($sz)
gc b -read 16000 | % { foreach ($x in $_) {
$b[$x.substring(0,$x.indexof(' '))] = $x
} }
gc a -read 16000 | % { foreach ($x in $_) { $b[$_] } } | sc C -encoding utf8
}

需要 2 min 左右。

不过更好的方法是把 a 存进内存，然后 stream 处理 b，如下

measure-command {
$s = [System.Collections.Generic.HashSet[string]]::new([string[]](gc a))
gc b -read 16000 | % { foreach ($x in $_) { if ($s.contains($x.substring(0,$x.indexof(' ')))) { $x } } } | sc C -encoding utf8
}

只要 12.5s 。

@shuizhongyu10 #9 答案在 #4 第一行

[hanxiV2EX]

我只会 sort 之后，再 diff。awk 还是不够熟练。

[rrfeng]

不是 join 吗？

[shuizhongyu10]

@geelaw 感谢感谢 PowerShell 有机会的话去学一下，目前采用的 awk 方法完全满足了需求。
测了下时间，只要 2.3s ，哈哈。

[necomancer]

@shuizhongyu10 你是 Linux 系统吗？我这边下文件不是很方便，Linux 下百度网盘神马的太不友好了 T_T，你有没有试试把 A Bsorted 文件都放在 /tmp 下? 一般发行版默认 /tmp 挂载一半内存大小。我也想知道一下效率~

[coolloves]

@necomancer 试试 baidupcs_go,可以跑满速,我刚下完,渣移动,100M 带宽,10MB 左右速度,差不多跑满了

[shuizhongyu10]

@necomancer

while read line
do
look ${line} Bsorted >> C
done < A

我用上面你提供的这个方法，测了这样输出 100 条所用的时间，不知道你要的是不是这个。
放在硬盘和内存里都是 29s 左右。
我系统是 ubuntu，/tmp 并没有挂载在内存上，我通过 mount -t tmpfs -o size=300m tmpfs dir 挂了一块内存来测的。
按道理来说放在内存里应该有提升，不知道是测试的量太小还是哪里出了问题？

[hugee]

@shuizhongyu10 可以的。然后你说下你的执行时间大概是多少，如果我弄出来效率有提高就告知你。

[zclHIT]

https://m.linuxidc.com/Linux/2012-05/61174.htm

[zclHIT]

上面的链接应该就是你要做的吧?

[necomancer]

@shuizhongyu10 我没处理过那么大量的 A，频繁打开文件确实是瓶颈，无论文件是否在内存里。刚才搜到一个帖子，看到使用 wile read line 本身就是一个很低效的办法，看来 shell 的确不适合直接做这种事...

https://unix.stackexchange.com/questions/169716/why-is-using-a-shell-loop-to-process-text-considered-bad-practice

...😔

[zclHIT]

过去了一个月，问个新的问题，反过来要查找文件 a 中所有行，在文件 b 中没有的打印出来到文件 c 应该怎么写呢？