在非常大的文件中快速搜索字符串

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了在非常大的文件中快速搜索字符串相关的知识,希望对你有一定的参考价值。

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。

  1. 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。

  1. 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siftag。筛选特别列出了一些非常令人印象深刻的基准与grep。

以上是关于在非常大的文件中快速搜索字符串的主要内容,如果未能解决你的问题,请参考以下文章

如何为一个非常大的 Core Data 数据库创建一个快速搜索机制?

如何搜索非常大的 json 文件?

前端开发工具vscode如何快速生成代码片段

前端开发工具vscode如何快速生成代码片段

正则表达式在非常大的html文件中匹配java中的花括号[重复]

Android - 将搜索传递给片段