寻找有效的文件分割

时间:2012-09-12 03:52:41

标签: shell unix command-line awk

假设这是我的档案:

$ cat file.txt 
A:1:i
B:2:ii
X:9:iv

使用这样的for循环,我可以单独打印所有字段并重定向到子文件

$ for i in $(seq 1 3); do echo $i; awk -F ":" -v FL=$i '{print $FL}' file.txt > $i.out; done

那样:

$ cat 1.out 
A
B
X

$ cat 2.out 
1
2
9

$ cat 3.out 
i
ii
iv

问题: 我必须在近70列上执行此操作,文件大小接近10 GB。它有效但速度慢。 任何人都可以建议更好/更有效的拆分来处理这个大数据集。谢谢。

$ for i in $(seq 1 70); do echo $i; awk -F ":" -v FL=$i '{print $FL}' *.data > $i.out; done

5 个答案:

答案 0 :(得分:6)

考虑到你要做的事情,这应该相当快:

awk -F: '{ for (i=1; i<=NF; i++) print $i > i".out" }' file.txt

答案 1 :(得分:1)

在Perl中你可以这样做:

#!/usr/bin/perl -w
my $n = 3;
my @FILES;
for my $i (1..$n) {
  my $f;
  open ($f, "> $i.out") or die;
  push @FILES, $f;
}
while (<>) {
  chomp;
  @a = split(/:/);
  for my $i (0..$#a) {
    print $FILES[$i] $a[$i],"\n";
  }
}
close($f) for $f in @FILES;

答案 2 :(得分:1)

Python版

#!/bin/env python

with open('file.txt', 'r') as ih:
    while True:
        line = ih.readline()
        if line == '': break
        for i,element in enumerate(line.strip().split(':')):
            outfile = "%d.out" % (i+1)
            with open(outfile, 'a') as oh:
                oh.write("%s\n" % element)

这可能会快一点,因为它只会通过原始文件一次。请注意,可以通过将输出文件保持打开来进一步优化(因为它,我关闭每个文件并为每次写入重新打开它们)。

修改

例如:

#!/bin/env python

handles = dict()

with open('file.txt', 'r') as ih:
    while True:
        line = ih.readline()
        if line == '': break
        for i,element in enumerate(line.strip().split(':')):
            outfile = "%d.out" % (i+1)

            if outfile not in handles:
                handles[outfile] = open(outfile, 'a');

            handles[outfile].write("%s\n" % element)

for k in handles:
    handles[k].close()

这使句柄在执行期间保持打开状态,然后在继续/结束之前将它们全部关闭。

答案 3 :(得分:0)

如果您知道有三列,请使用coreutils:

< file.txt tee >(cut -d: -f1 > 1.out) >(cut -d: -f2 > 2.out) >(cut -d: -f3 > 3.out) > /dev/null

为了使它更通用,这是自动生成命令行的一种方法:

# Determine number of fields and generate tee argument
arg=""
i=1
while read; do 
  arg="$arg >(cut -d: -f$i > $((i++)).out)"
done < <(head -n1 file.txt | tr ':' '\n')

arg现在是:

>(cut -d: -f1 > 1.out) >(cut -d: -f2 > 2.out) >(cut -d: -f3 > 3.out)

保存到脚本文件:

echo "< file.txt tee $arg > /dev/null" > script

执行:

. ./script

答案 4 :(得分:0)

这是一个使用我不经常看到的功能的bash脚本:要求bash为文件分配文件描述符并将描述符存储在变量中:

# Read the first line to get a count of the columns
IFS=: read -a columns < file.txt

# Open an output file for each column, saving the file descriptor in an array
for c in "${columns[@]}"; do
    exec {a}>$((++i)).txt
    fds+=( $a )
done

# Iterate through the iput, writing each column to the file opened for it
while IFS=: read -a fields; do
    for f in "${fields[@]}"; do
        printf "$f\n" >&${fds[++i]}
    done
done < file.txt

# Close the file descriptors
for fd in "${fds[@]}"; do
    exec {fd}>&-
done