Bash: uniq count 大数据集

Question

我有一组超过 70GB 的 CVS 文件，其中 35GB 是我感兴趣的字段（每行大约 100 字节用于该字段）

数据高度重复（抽样显示前 1000 个覆盖了 50%+ 的行），我有兴趣获得总的 uniq 计数

对于不太大的数据集，我会做

cat my.csv | cut -f 5 | sort | uniq -c | sort --numeric 效果很好

但是我遇到的问题是（据我所知）由于中间 sort ，此命令将需要保存在 RAM 中（然后保存在磁盘上，因为它不适合我的 16Go RAM）整个数据集，将其流式传输到 uniq -c

我想知道是否有命令/脚本 awk/python 一步完成 sort | uniq -c 这样 RAM 消耗应该低得多？

Answer 1

你可以试试这个：

perl -F, -MDigest::MD5=md5 -lanE 'say unless $seen{ md5($F[4]) }++' < file.csv >unique_field5.txt

它将在内存中为每个唯一的 field-5（例如 $F[4]）保留 16 字节长的 md5 摘要。或者你可以使用

cut -d, -f5 csv | perl -MDigest::MD5=md5 -lnE 'say unless $seen{md5($_)}++'

同样的结果。

当然，现在md5在密码学上并不安全，但可能足以进行排序......当然，可以使用sha1或sha256，只需使用-MDigest::SHA=sha255。当然，sha-digests 更长——例如需要更多内存。

它与评论中链接的 awk 类似，不同之处在于，这里用作散列键的不是整个输入行，而是 16byte 长 MD5 摘要。

编辑

因为我想知道性能，所以创建了这个测试用例：

# this perl create 400,000,000 records
# each 100 bytes + attached random number,
# total size of data 40GB.
# each invocation generates same data (srand(1))
# because the random number is between 0 - 50_000_000
#    here is approx. 25% unique records.
gendata() {
perl -E '
    BEGIN{ srand(1) }
    say "x"x100, int(rand()*50_000_000) for 1..400_000_000
'
}

# the unique sorting - by digest
# also using Devel::Size perl module to get the final size of the data hold in the memory

# using md5
domd5() {
    perl -MDigest::MD5=md5 -MDevel::Size=total_size -lnE '
        say unless $seen{md5($_)}++;
        END {
            warn"total: " . total_size(\%seen);
        }'
}
#using sha256
dosha256() {
    perl -MDigest::SHA=sha256 -MDevel::Size=total_size -lnE '
        say unless $seen{sha256($_)}++;
        END {
            warn"total: " . total_size(\%seen);
        }'
}

#MAIN
time gendata | domd5    | wc -l 
time gendata | dosha256 | wc -l

结果：

total: 5435239618 at -e line 4, <> line 400000000.
 49983353

real    10m12,689s
user    12m43,714s
sys 0m29,069s
total: 6234973266 at -e line 4, <> line 400000000.
 49983353

real    15m51,884s
user    18m23,900s
sys 0m29,485s

例如：

为 md5

内存使用：5,435,239,618 字节 - 例如约 5.4 GB
唯一记录：49,983,353
到运行的时间：10 分钟

对于 sha256

内存使用：6,234,973,266 字节 - 例如约 6.2 GB
唯一记录：49,983,353
到运行的时间：16 分钟

相比之下，使用“常规”方法进行纯文本唯一搜索：

doplain() {
        perl -MDevel::Size=total_size -lnE '
                say unless $seen{$_}++;
                END {
                        warn"total: " . total_size(\%seen);
                }'
}

例如运行宁：

time gendata | doplain | wc -l

结果：

内存使用量更大：10,022,600,682 - 我的 16GB RAM 笔记本电脑开始大量交换（因为有 SSD，所以没什么大不了的 - 但仍然..）
唯一记录：49,983,353
到运行的时间：8:30 分钟

结果？

只需使用

cut -d, -f5 csv | perl -MDigest::MD5=md5 -lnE 'say unless $seen{md5($_)}++'

而且你应该足够快地获得独特的线条。

Answer 2

你可以试试这个：

split --filter='sort | uniq -c | sed "s/^\s*//" > $FILE' -b 15G -d "dataset" "dataset-"

此时你应该有大约 5 dataset-<i> 个，每个都应该比 15G 少得多。

要合并文件，您可以将以下 bash 脚本另存为 merge.bash:

#! /bin/bash
#

read prev_line
prev_count=${prev_line%% *}

while read line; do
    count="${line%% *}"
    line="${line#* }" # This line does not handle blank lines correctly
    if [ "$line" != "$prev_line" ]; then
        echo "$prev_count $prev_line"
        prev_count=$count
        prev_line=$line
    else
        prev_count=$((prev_count + count))
    fi
done

echo "$prev_count $prev_line"

和运行命令：

sort -m -k 2 dataset-* | bash merge.sh > final_dataset.

注意：空白行处理不正确，如果它适合您的需要，您可以将它们从数据集中删除或更正 merge.bash.

Bash: uniq count 大数据集

Bash: uniq count large dataset

bash

uniq

编辑