【转】利用多核加速命令

　　你是否曾经有过要计算一个非常大的数据(几百 GB)的需求？或在里面搜索，或其它操作——一些无法并行的操作。数据专家们，我是在对你们说。你可能有一个 4 核或更多核的 CPU，但我们合适的工具，例如 grep, bzip2, wc, awk, sed等等，都是单线程的，只能使用一个 CPU 内核。

 

　　借用卡通人物 Cartman 的话，“如何我能使用这些内核”?

 

　　要想让 Linux 命令使用所有的 CPU 内核，我们需要用到 GNU Parallel 命令，它让我们所有的 CPU 内核在单机内做神奇的 map-reduce 操作，当然，这还要借助很少用到的–pipes 参数(也叫做–spreadstdin)。这样，你的负载就会平均分配到各 CPU 上，真的。

 

 

　　BZIP2

　　bzip2 是比 gzip 更好的压缩工具，但它很慢！别折腾了，我们有办法解决这问题。

　　以前的做法：

cat bigfile.bin | bzip2 --best > compressedfile.bz2

　　现在这样：

cat bigfile.bin | parallel --pipe --recend '' -k bzip2 --best > compressedfile.bz2

　　尤其是针对 bzip2，GNU parallel 在多核 CPU 上是超级的快。你一不留神，它就执行完成了。

 

 

　　GREP

　　如果你有一个非常大的文本文件，以前你可能会这样：

grep pattern bigfile.txt

　　现在你可以这样：

cat bigfile.txt | parallel  --pipe grep 'pattern'

　　或者这样：

cat bigfile.txt | parallel --block 10M --pipe grep 'pattern'

　　这第二种用法使用了–block 10M参数，这是说每个内核处理 1 千万行——你可以用这个参数来调整每个 CUP 内核处理多少行数据。

 

 

　　AWK

　　下面是一个用 awk 命令计算一个非常大的数据文件的例子。

　　常规用法：

cat rands20M.txt | awk '{s+=$1} END {print s}'

　　现在这样：

cat rands20M.txt | parallel --pipe awk \'{s+=\$1} END {print s}\' | awk '{s+=$1} END {print s}'

　　这个有点复杂：parallel 命令中的–pipe参数将 cat 输出分成多个块分派给 awk 调用，形成了很多子计算操作。这些子计算经过第二个管道进入了同一个 awk 命令，从而输出最终结果。第一个 awk 有三个反斜杠，这是 GNU parallel 调用awk 的需要。

 

 

　　WC

　　想要最快的速度计算一个文件的行数吗？

　　传统做法：

wc -l bigfile.txt

　　现在你应该这样：

cat bigfile.txt | parallel  --pipe wc -l | awk '{s+=$1} END {print s}'

　　非常的巧妙，先使用 parallel 命令‘mapping’出大量的wc -l调用，形成子计算，最后通过管道发送给 awk 进行汇总。

 

 

　　SED

　　想在一个巨大的文件里使用 sed 命令做大量的替换操作吗？

　　常规做法：

sed s^old^new^g bigfile.txt

　　现在你可以：

cat bigfile.txt | parallel --pipe sed s^old^new^g

　　…然后你可以使用管道把输出存储到指定的文件里。