shell脚本处理大数据系列之(一)方法小结
方法1:
单进程处理大规模的文件速度如(上million量级)比较慢,可以采用awk取模的方法,将文件分而治之,这样可以利用充分的利用多核CPU的优势
for((i=0;i<5;i++));do cat query_ctx.20k | awk 'NR%5=='$i'' |\ wc -l 1> output_$i 2>err_$i & done
方法2:
另外也可以使用split的方法,或者hashkey 的办法把大文件分而治之,
该办法的缺陷是需要对大文件预处理,这个划分大文件的过程是单进程,也比较的耗时
infile=$1 opdir=querys opfile=res s=`date "+%s"` while read line do imei=`./awk_c "$line"` no=`./tools/default $imei 1000` echo $line >> $opdir/$opfile-$no done<$infile
方法3:
该方法是方法2的延伸,在预处理之后,可以使用shell脚本起多个进程来并行执行,当然为了防止进程之间因为并行造成的混乱输出,可以使用锁的办法,也可以通过划分命名的办法。下面的例子比较巧妙使用mv 操作。这一同步操作起到互斥锁的作用,使得增加进程更加灵活,只要机器资源够用,随时增加进程,都不会造成输出上的错误。
output=hier_res input=dbscan_res prefix1=tmp- prefix2=res- for file in `ls $input/res*` do tmp=`echo ${file#*-}` ofile1=${prefix1}${tmp} ofile2=${prefix2}${tmp} if [ ! -f $output/$ofile1 -a ! -f $output/$ofile2 ];then touch $output/aaa_$tmp mv $output/aaa_$tmp $output/$ofile1 if [ $? -eq 0 ] then echo "dealing "$file cat $file | python hcluster.py 1> $output/$ofile1 2> hier.err mv $output/$ofile1 $output/$ofile2 fi fi done
posted on 2013-12-14 22:15 Harveyaot 阅读(1991) 评论(0) 编辑 收藏 举报