扩充你的工具箱 - 大行文件的处理
前言
前几天，从 DBA 手里接到一个 Redis RDB 文件，里面是 15G 约 660万 的 Redis 键值对数据，想通过这些数据提取出当前 Redis 的 Key 和这些 Key 的类型。其文件的每行结构类似于:
KEY: IAmATestKey || TYPE: STRING || expiretime:-1 || value:IAmTheTestValue
下文就是此问题的跳坑和脱坑过程：
文章经常被人爬，而且还不注明原地址，我在这里的更新和纠错没法同步，这里注明一下原文地址：http://www.cnblogs.com/zhenbianshu/p/7486530.html 以防误人子弟。
通用解决方案不好使
awk长时间处理中
对 linux 命令稍熟悉的同学可能就会说了：这些数据格式这么统一，数据字段间也有明显的分隔符，不正是 awk 工具大显身手的时刻吗？
是的，awk 是 linux 下一个强大而又略复杂的命令，使用它的简单语句也可以高效地处理大量文本，但是今天的主角不是它，我也不想复制粘贴网上到处都是的教程，就不再多介绍了。
原以为使用 awk -F ' ' '{printf $2","$6}' rdb.log >>keys.txt 将结果重定向到 keys.txt，也就一行命令的事，可是执行后，发现执行了两个小时还没有结束的意思。
是文件太大，awk 卡住了么？
切割文件也无法解决
文件太大处理不方便，这时，就要用到linux的另一个工具了：split 将文件以行数/大小平均分割； split [-b bytes][-l line] input_file output_prefix
由于每一行的大小是不同的，按照大小来分割的话可能会导致某一行被拆散，于是以每个文件 100 万行，分割出7个文件，再对这些文件分别使用 awk 来处理， split -l 1000000 rdb.log rdb_split_
对分割后的文件使用awk，结果奇怪的是还是会在某个文件上执行很长时间没反应。
这时使用 ls 命令查看文件大小的时候发现，15G 的文件分割成了 7 份，有一个竟然有 7G 大小，这时想到可能会有的 set 或 list 很大，占用几 G 的内存也是有可能的。而 awk 长时间处理有可能是因为这些特别大的行。
用C来高效处理
既然如此，那就只好用别的方法先处理一下文件了，这里我考虑取出文件数据每行的前100个字符，由于键都很短，100个字符已经是足够包括键名和类型了。
可是印象中没有相关的工具或命令，于是找谷哥搜索一下文件的大行怎么处理。。。结果并没有相应的解决方式，只好考虑自己来写脚本了，由于其逻辑并不复杂，而且对效率要求高，就舍弃了 PHP，准备使用 C 来解决。
整体思想是：利用 C 文件操作函数 fgets(&res, length, file_hanler) 在每一行读到换行符或读到 length 个字符的特点。如果读到100个字符还没有读到结尾（最后一个字符不是换行符），就说明此行是一个大行，那么就读取单个字符并丢弃，直到读到换行符，再继续处理下一行。
这里贴上 C 脚本：
#include <stdio.h>
#include <string.h>
int main() {
FILE *fp_in;
FILE *fp_out;
char ch;
char line[100];
fp_in = fopen("rdb.log", "r");
fp_out = fopen("keys.txt", "w");
while (!feof(fp_in)) {
fgets(line, 100, fp_in); //读取一行
fputs(line, fp_out);
if (line[strlen(line) - 1] != '\n') {
while ((ch = fgetc(fp_in)) != '\n') {
;
}
fputc('\n', fp_out);
}
}
fclose(fp_in);
fclose(fp_out);
}C 执行得还是很快的，大概三分钟。执行结束后，再使用 awk 工具，果然很快就把键和类型拆了出来。
此时心情大好，果然多掌握一门像 C 这种高效语言就是有用啊。
还有更好的工具
当从 leader 口中得知 cut 命令时，我的表情是这样的：
好吧，赶快了解一下 cut 命令：
cut [options] [file.name] :从每个文件中输出指定部分到标准输出。
其选项有：
-b n输出第n个字节；-c n输出第n个字符，用于处理类似utf-8中文这种三个字节的字符；-f n输出第n个字段，其字段分隔符用-d指定；
不光有我脚本取前 n 个字符的功能，还能直接取第 n 个字段。。
试了下，cut -b 100 rdb.log >>keys.log 取前 100 个字符用了 8 分钟，虽然比 C 脚本要慢，可是它不用手写脚本，而且适用范围比我写的脚本要大。
小结
问题是顺利解决了，可是解决过程引起我的思考。这个问题应该会被更快更方便地解决的，搞得这么麻烦主要是因为 linux命令掌握不全。
不知道 linux 还有 cut 命令。其实也不是不知道，事后发现我笔记里已经有了关于 cut 的简单记录了，可能是由于命令太过简单，没有很多参数，也没想到太多应用场景，被我记入了 linux 的杂项。
同时也发现了跟 cut 一样被遗忘的还有其他小知识点，是时候回忆一波了。
另外谷哥搜索命令的关键词也大有问题，没有抓住取文件前 n 字符的本质，竟然去搜索文件大行处理，因为急着要下班去接女朋友，失了智了，最后一个弥补工具问题的机会被抛弃了。
我一直认为：解决问题的能力 ~ 个人工具箱的大小。掌握的工具越多，面对问题就会有更多选择，解决问题也就越得心应手。开发技能是基础，工具用好才能快速高效地解决问题。
写几个常用自动化脚本、alias 简化一下很长的命令、掌握一些常用的快捷键，开发效率就能这么一点点提升了。
关于本文有什么问题可以在下面留言交流，如果您觉得本文对您有帮助，可以点击下面的 推荐 支持一下我。博客一直在更新，欢迎 关注 。
