利用多核CPU来加速你的Linux命令(awk, sed, bzip2, grep, wc)

       你是否曾经有过要计算一个很是大的数据(几百GB)的需求？或在里面搜索，或其它操做——一些没法并行的操做。数据 专家们，我是在对大家说。你可能有一个16核或更多核的CPU，但咱们合适的工具，例如 grep, bzip2, wc, awk, sed等等，都是单线程的，只能使用一个CPU内核。

可是“如何我能使用这些CPU核心”?

       要想让Linux命令使用全部的CPU核心，咱们须要用到GNU Parallel命令，它让咱们全部的CPU核心在单机内作神奇的map-reduce操做，固然，这还要借助不多用到的–pipes 参数(也叫作–spreadstdin)。这样，你的负载就会平均分配到各CPU上，真的。

下载URL：http://ftp.gnu.org/gnu/parallel/

BZIP2

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

之前的作法：

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

如今这样：

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

尤为是针对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

若是你有一个很是大的文本文件，之前你可能会这样：

grep pattern bigfile.txt

如今你能够这样：

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，这是说每一个内核处理1千万行——你能够用这个参数来调整每一个CUP内核处理多少行数据。

AWK

下面是一个用awk命令计算一个很是大的数据文件的例子。

常规用法：

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

如今这样：

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输出分红多个块分派给awk调用，造成了不少子计算操做。这些子计算通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的须要。

WC

想要最快的速度计算一个文件的行数吗？

传统作法：

wc -l bigfile.txt

如今你应该这样：

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

很是的巧妙，先使用parallel命令‘mapping’出大量的wc -l调用，造成子计算，最后经过管道发送给awk进行汇总。

SED

想在一个巨大的文件里使用sed命令作大量的替换操做吗？

常规作法：

sed s^old^new^g bigfile.txt

如今你能够：

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

…而后你可使用管道把输出存储到指定的文件里。