如何利用多核CPU來加速你的Linux命令 — awk, sed, bzip2, grep, wc等

你是否曾經有過要計算一個非常大的資料(幾百GB)的需求？或在裡面搜尋，或其它操作——一些無法並行的操作。資料專家們，我是在對你們說。你可能有一個4核或更多核的CPU，但我們合適的工具，例如 grep, bzip2, wc, awk, sed等等，都是單執行緒的，只能使用一個CPU核心。

借用卡通人物Cartman的話，“如何我能使用這些核心”?

要想讓Linux命令使用所有的CPU核心，我們需要用到GNU Parallel命令，它讓我們所有的CPU核心在單機內做神奇的map-reduce操作，當然，這還要藉助很少用到的–pipes 引數(也叫做–spreadstdin)。這樣，你的負載就會平均分配到各CPU上，真的。

BZIP2

bzip2是比gzip更好的壓縮工具，但它很慢！別折騰了，我們有辦法解決這問題。

以前的做法：

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

現在這樣：

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

尤其是針對bzip2，GNU parallel在多核CPU上是超級的快。你一不留神，它就執行完成了。

GREP

如果你有一個非常大的文字檔案，以前你可能會這樣：

grep pattern bigfile.txt

現在你可以這樣：

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

或者這樣：

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

這第二種用法使用了 –block 10M引數，這是說每個核心處理1千萬行——你可以用這個引數來調整每個CUP核心處理多少行資料。

AWK

下面是一個用awk命令計算一個非常大的資料檔案的例子。

常規用法：

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

現在這樣：

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

這個有點複雜：parallel命令中的–pipe引數將cat輸出分成多個塊分派給awk呼叫，形成了很多子計算操作。這些子計算經過第二個管道進入了同一個awk命令，從而輸出最終結果。第一個awk有三個反斜槓，這是GNU parallel呼叫awk的需要。

WC

想要最快的速度計算一個檔案的行數嗎？

傳統做法：

wc -l bigfile.txt

現在你應該這樣：

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呼叫，形成子計算，最後透過管道傳送給awk進行彙總。

SED

想在一個巨大的檔案裡使用sed命令做大量的替換操作嗎？

常規做法：

sed s^old^new^g bigfile.txt

現在你可以：

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

…然後你可以使用管道把輸出儲存到指定的檔案裡。