在非常大的文件中快速搜索字符串

Posted 2021-04-25

在包含字符串的文件中搜索行的最快方法是什么。我有一个包含要搜索的字符串的文件。这个小文件（smallF）包含大约50,000行，看起来像：

stringToSearch1 stringToSearch2 stringToSearch3

我必须在一个更大的文件中搜索所有这些字符串（大约1亿行）。如果此较大文件中的任何行包含搜索字符串，则会打印该行。

到目前为止，我提出的最佳方法是

grep -F -f smallF largeF

但这不是很快。在smallF中只有100个搜索字符串，大约需要4分钟。对于超过50,000个搜索字符串，将花费大量时间。

有更有效的方法吗？

答案

我曾经注意到使用-E或多个-e参数比使用-f更快。请注意，这可能不适用于您的问题，因为您在较大的文件中搜索50,000个字符串。但是，我想向您展示可以做什么以及可能值得测试的内容：

这是我详细注意到的：

有1.2GB文件填充随机字符串。

>ls -has | grep string
1,2G strings.txt

>head strings.txt
Mfzd0sf7RA664UVrBHK44cSQpLRKT6J0
Uk218A8GKRdAVOZLIykVc0b2RH1ayfAy
BmuCCPJaQGhFTIutGpVG86tlanW8c9Pa
etrulbGONKT3pact1SHg2ipcCr7TZ9jc
.....

现在我想使用不同的grep方法搜索字符串“ab”，“cd”和“ef”：

1. 使用不带标志的grep，一次搜索一个： grep“ab”strings.txt> m1.out 2,76s用户0,42s系统96％cpu 3,313总计 grep“cd”strings.txt >> m1.out 2,82s用户0,36s系统95％cpu 3,322总计 grep“ef”strings.txt >> m1.out 2,78s用户0,36s系统94％cpu 3,360总计

所以总共搜索需要将近10秒。

2. 使用带有-f标志的grep和search.txt中的搜索字符串 >cat search.txt ab cd ef >grep -F -f search.txt strings.txt > m2.out 31,55s user 0,60s system 99% cpu 32,343 total

由于某些原因，这需要将近32秒。

3. 现在使用-e的多种搜索模式 grep -E "ab|cd|ef" strings.txt > m3.out 3,80s user 0,36s system 98% cpu 4,220 total 要么 grep --color=auto -e "ab" -e "cd" -e "ef" strings.txt > /dev/null 3,86s user 0,38s system 98% cpu 4,323 total

使用-E的第三种方法只花了4.22秒来搜索文件。

现在让我们检查结果是否相同：

cat m1.out | sort | uniq > m1.sort  
cat m3.out | sort | uniq > m3.sort
diff m1.sort m3.sort
#

diff不产生输出，这意味着找到的结果是相同的。

也许想试一试，否则我建议你看一下“最快可能的grep”这个帖子，看看Cyrus的评论。

另一答案

注意：我意识到以下不是基于bash的解决方案，但考虑到您的大搜索空间，需要并行解决方案。

---

如果您的计算机有多个核心/处理器，您可以在Pythran中调用以下函数来并行化搜索：

#!/usr/bin/env python

#pythran export search_in_file(string, string)
def search_in_file(long_file_path, short_file_path):
    _long = open(long_file_path, "r")

    #omp parallel for schedule(guided)
    for _string in open(short_file_path, "r"):
        if _string in _long:
            print(_string)

if __name__ == "__main__":
    search_in_file("long_file_path", "short_file_path")

注意：在幕后，Pythran采用Python代码并尝试将其积极地编译成非常快速的C ++。

另一答案

你可能想尝试sift或ag。筛选特别列出了一些非常令人印象深刻的基准与grep。