| 在处理大数据的时候我们总会想着一些并行的操作来加速我们的操作，我们的cpu是多核多线程的，但是我们的有些命令却是单线程的命令，不能够进行并行的运算，如： grep、bzip2、wc、awk、sed等等，只能使用一个CPU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，下面我们技术下加速的方法吧 |
我们都知道 grep, bzip2, wc, awk, sed等等，都是单线程的，只能使用一个CPU内核。那么如何才能使用这些内核？
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。
[图片上传失败...(image-f0b8a3-1683445328401)]
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。
网友评论