Bash：uniq count 大数据集

Question

我有一组超过 70GB 的 CVS 文件，其中 35GB 是关于我感兴趣的字段（每行中该字段大约 100 字节）

数据高度重复（抽样显示前 1000 名覆盖了 50% 以上的行），我有兴趣获取 uniq 总数

如果数据集不是那么大，我会这样做

cat my.csv | cut -f 5 | sort | uniq -c | sort --numeric 工作正常

但是我遇到的问题是（据我了解）由于中间 sort ，此命令需要保存在 RAM 中（然后保存在磁盘上，因为它不适合我的 16Go RAM）数据，流到uniq -c

我想知道是否有一个命令 /script awk/python 可以一步完成sort | uniq -c，以便 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

它将为每个唯一的field-5（例如$F[4]）在内存中保存 16 字节长的 md5-digest。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，但可能足以用于排序...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 cmets 中链接的 awk 类似，不同之处在于，这里用作哈希键而不是整个输入行，而只是 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：

对于 md5

• 内存使用量：5,435,239,618 字节 - 例如大约 5.4 GB
• 唯一记录：49,983,353
• 运行时间：10 分钟

对于 sha256

• 内存使用量：6,234,973,266 字节 - 例如大约 6.2 GB
• 唯一记录：49,983,353
• 运行时间：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);
                }'
}

例如跑步：

time gendata | doplain | wc -l

结果：

• 内存使用量要大得多：10,022,600,682 - 我的 16GB RAM 笔记本开始大量交换（因为有 SSD，所以没什么大不了的 - 但仍然......）
• 唯一记录：49,983,353
• 运行时间：8:30 分钟

结果？

只需使用

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

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-"

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

要合并文件，您可以将以下 bash 脚本保存为 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"

然后运行命令：

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

注意：空行处理不正确，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。