拆分巨大的 CSV 文件

Question

我有一个大约 20 GB 的巨大 csv 文件。它有 5,000 列和 2,500,000 行。我想将其中的每一列写入一个文件。我已经尝试过 FOR 循环，但速度很慢。我的代码如下：

Columns=$(head -n 1 train.csv | sed "s/,/\n/g" | wc -l)
mkdir cols
for i in `seq 1 $Columns`;
do
    echo $i
    tail -n +2 train.csv | cut -d',' -f$i > cols/col_$i.txt
done

我采纳任何建议来加速此过程。

Answer 1

这是一个 bash 脚本，它一次性完成：

Columns=$(head -n 1 train.csv | sed "s/,/\n/g" | wc -l)
mkdir cols
tail -n +2 train.csv | \
    while IFS=, read -ra row; do
        for i in `seq 1 $Columns`; do
            echo "${row[$(($i-1))]}" >> cols/col_$i.txt
        done 
    done

这个脚本的缺点是它会打开和关闭列文件数百万次。以下 perl 脚本通过保持所有文件打开来避免该问题：

#!/usr/bin/perl
use strict;
use warnings;

my @handles;
open my $fh,'<','train.csv' or die;
<$fh>; #skip the header
while (<$fh>) {
    chomp;
    my @values=split /,/;
    for (my $i=0; $i<@values; $i++) {
        if (!defined $handles[$i]) {
            open $handles[$i],'>','cols/col_'.($i+1).'.txt' or die;
        }
        print {$handles[$i]} "$values[$i]\n";
    }
}
close $fh;
close $_ for @handles;

由于您有 5000 列并且此脚本保持 5001 个文件打开，因此您需要增加系统允许您拥有的打开文件描述符的数量。

Answer 2

Perl 解决方案。它一次打开 1000 个文件，因此它会将您的输入传递 5 次。运行以输入文件名作为参数。

#!/usr/bin/perl
use warnings;
use strict;

my $inputfile = shift;
open my $input, '<', $inputfile or die $!;

mkdir 'cols';

my @headers = split /,/, <$input>;
chomp $headers[-1];
my $pos = tell $input;  # Remember where the first data line starts.

my $step = 1000;
for (my $from = 0; $from <= $#headers; $from += $step) {
    my $to = $from + $step - 1;
    $to = $#headers if $#headers < $to;
    warn "$from .. $to";

    # Open the files and print the headers in range.    
    my @fhs;
    for ($from .. $to) {
        open $fhs[ $_ - $from ], '>', "cols/col-$_" or die $!;
        print { $fhs[ $_ - $from ] } $headers[$_], "\n";
    }

    # Print the columns in range.
    while (<$input>) {
        chomp;
        my $i = 0;
        print { $fhs[$i++] } $_, "\n" for (split /,/)[ $from .. $to ];
    }
    close for @fhs;
    seek $input, $pos, 0;  # Go back to the first data line.
}

Answer 3

在 awk 中：

$ awk '{for(i=1;i<=NF;i++) print $i > i}' train.csv

生成5000个文件的测试版：

$ cat > foo
1
2
3
$ awk 'BEGIN {for(i=1;i<=5000;i++) a=a i (i<5000? OFS:"")} {[=11=]=a; for(i=1;i<=NF; i++) print $i > i}' foo
$ ls -l | wc -l
5002 # = 1-5000 + foo and "total 20004"
$ cat 5000
5000
5000
5000

它在我的笔记本电脑上持续了 250 行：

real    1m4.691s
user    1m4.456s
sys     0m0.180s

拆分巨大的 CSV 文件

Splitting huge CSV file

bash

csv

unix

cut