shell脚本处理大数据系列之(一)方法小结

转自：http://longriver.me/?p=57

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

1 2 3 4

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

1 2 3 4 5 6 7 8 9 10

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。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

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