[挑战]100G文本统计+排序

523066680

源自ChinaUnix一个用户提出的问题，当时帮题主理清基础的处理方式，但是上G的文件依然没有写出高效率的代码。

原帖1，先从较简短的示例描述
http://bbs.chinaunix.net/thread-4263348-1-1.html

Windows19 发表于 2017-06-20 10:54
有几百GB,LOG,乱出八粗的

找出在文本内重复字符串从多到少打印,

找出重复次数最多字符串,然后整行打印  (注: 按2种类型条件判断统计,重复字母串次数,重复数字串次数,然后由多到少整行打印出来). 剩余的行也需一并打印出来(出来结果应和原LOG行数一致)

找出两种类型字符串在文本中重复最多次数，从多到少排序

a.txt

65425855662efssaezsdfcsf//sff.sdf/'s;f]\sDed33dds3
65425855662efssaezsdfcsf/        /sff.sdf/'s;f]  \sDed33sdds1
yjyjgwwwghfg56www g.tgjgcom445.5454.'55.4l5
efssaezsdfcsf//58969752sff.sdf/'s;f]\sDed33sds0
efssaezsdfcsf/        58969752/sff.sdf/'s;f]  \sDed33sdds5
65425855662efssaezsdfcsf/        /sff.sdf/'s;f]  \sDed33s00000000
65425855662efs\saezsdf][grytryg*f-x+f5g5ty'5t;54r]\5/e.,6ftfr//www.fsfsf.comCOPY

按条件统计后应该得到（人工审核不知道有没错）

65425855662efssaezsdfcsf//sff.sdf/'s;f]\sDed33dds3
65425855662efssaezsdfcsf/        /sff.sdf/'s;f]  \sDed33sdds1
65425855662efssaezsdfcsf/        /sff.sdf/'s;f]  \sDed33s00000000
efssaezsdfcsf//58969752sff.sdf/'s;f]\sDed33sds0
efssaezsdfcsf/        58969752/sff.sdf/'s;f]  \sDed33sdds5
65425855662efs\saezsdf][grytryg*f-x+f5g5ty'5t;54r]\5/e.,6ftfr//www.fsfsf.com
yjyjgwwwghfg56www g.tgjgcom445.5454.'55.4l5COPY

这个题主是个典型的令人头痛的类型，因为他不把问题描述完整，一开始还发过几个简化过的问题的帖子，等到有人回复，他又渐渐把完整的问题浮出水面（可能有些细节他自己都不确定）
我在另一个帖子对处理方案做了详细说明，题主认为符合需求，可供参考：

523066680 发表于 2017-06-22 23:12
以原贴的段落为例，
[0]65425855662efssaezsdfcsf//sff.sdf/'s;f]\sDed33dds3
[1]65425855662efssaezsdfcsf/        /sff.sdf/'s;f]  \sDed33sdds1
[2]yjyjgwwwghfg56www g.tgjgcom445.5454.'55.4l5
[3]efssaezsdfcsf//58969752sff.sdf/'s;f]\sDed33sds0
[4]efssaezsdfcsf/        58969752/sff.sdf/'s;f]  \sDed33sdds5
[5]65425855662efssaezsdfcsf/        /sff.sdf/'s;f]  \sDed33s00000000
[6]65425855662efs\saezsdf][grytryg*f-x+f5g5ty'5t;54r]\5/e.,6ftfr//www.fsfsf.com

处理结果：
[1]65425855662efssaezsdfcsf/        /sff.sdf/'s;f]  \sDed33sdds1
[0]65425855662efssaezsdfcsf//sff.sdf/'s;f]\sDed33dds3
[5]65425855662efssaezsdfcsf/        /sff.sdf/'s;f]  \sDed33s00000000
[4]efssaezsdfcsf/        58969752/sff.sdf/'s;f]  \sDed33sdds5
[3]efssaezsdfcsf//58969752sff.sdf/'s;f]\sDed33sds0
[6]65425855662efs\saezsdf][grytryg*f-x+f5g5ty'5t;54r]\5/e.,6ftfr//www.fsfsf.com
[2]yjyjgwwwghfg56www g.tgjgcom445.5454.'55.4l5

每行的关键字在全文中出现的次数统计（单行内多次计为一次）
f(6),efssaezsdfcsf(5),sff(5),s(5),sDed(5),33(5),sdf(5),65425855662(4),3(1),dds(1)
f(6),s(5),sff(5),efssaezsdfcsf(5),33(5),sdf(5),sDed(5),65425855662(4),sdds(2),1(1)
5(3),g(2),www(2),yjyjgwwwghfg(1),56(1),445(1),tgjgcom(1),4(1),l(1),5454(1),55(1)
f(6),33(5),sdf(5),sDed(5),s(5),sff(5),efssaezsdfcsf(5),58969752(2),0(1),sds(1)
f(6),efssaezsdfcsf(5),sff(5),s(5),sDed(5),33(5),sdf(5),5(3),sdds(2),58969752(2)
f(6),efssaezsdfcsf(5),s(5),sff(5),sDed(5),sdf(5),33(5),65425855662(4),00000000(1)
f(6),65425855662(4),5(3),g(2),www(2),x(1),ftfr(1),e(1),com(1),54(1),t(1),ty(1),fsfsf(1),grytryg(1),efs(1),r(1),6(1),saezsdf(1)

处理后的顺序（按行排序，从最高的频率开始对比；如果最高的次数相同，则对比第二列，以此类推）
f(6),s(5),sff(5),efssaezsdfcsf(5),33(5),sdf(5),sDed(5),65425855662(4),sdds(2),1(1)
f(6),efssaezsdfcsf(5),sff(5),s(5),sDed(5),33(5),sdf(5),65425855662(4),3(1),dds(1)
f(6),efssaezsdfcsf(5),s(5),sff(5),sDed(5),sdf(5),33(5),65425855662(4),00000000(1)
f(6),efssaezsdfcsf(5),sff(5),s(5),sDed(5),33(5),sdf(5),5(3),sdds(2),58969752(2)
f(6),33(5),sdf(5),sDed(5),s(5),sff(5),efssaezsdfcsf(5),58969752(2),0(1),sds(1)
f(6),65425855662(4),5(3),g(2),www(2),x(1),ftfr(1),e(1),com(1),54(1),t(1),ty(1),fsfsf(1),grytryg(1),efs(1),r(1),6(1),saezsdf(1)
5(3),g(2),www(2),yjyjgwwwghfg(1),56(1),445(1),tgjgcom(1),4(1),l(1),5454(1),55(1)

纯数字，前后对比：
Before:
[0]6,5,5,5,5,5,5,4,1,1
[1]6,5,5,5,5,5,5,4,2,1
[2]3,2,2,1,1,1,1,1,1,1,1
[3]6,5,5,5,5,5,5,2,1,1
[4]6,5,5,5,5,5,5,3,2,2
[5]6,5,5,5,5,5,5,4,1
[6]6,4,3,2,2,1,1,1,1,1,1,1,1,1,1,1,1,1

After
[1]6,5,5,5,5,5,5,4,2,1
[0]6,5,5,5,5,5,5,4,1,1
[5]6,5,5,5,5,5,5,4,1
[4]6,5,5,5,5,5,5,3,2,2
[3]6,5,5,5,5,5,5,2,1,1
[6]6,4,3,2,2,1,1,1,1,1,1,1,1,1,1,1,1,1
[2]3,2,2,1,1,1,1,1,1,1,1

注意上面的结果是同一“单词”在单行中重复多次记为一次的。应考虑按多次计算的情况（或者做个开关允许按不同方式处理）

65425855662efssaezsdfcsf/        /sff.sdf/'s;f]  \sDed33s00000000
一行内两次算是2次吗？我以为一行内多次也计为1次，还特地做了判断

Windows19 回复 53# 523066680
如果算2次影响效率
那在一行内出现相同的算1次也可以

当然这个细节不是主要问题，数据量大以后要考虑哈希表的内存占用，如果改用文件存储数据结构，则需要考虑效率、硬盘占用问题。
"分而治之"策略 和 归并排序 应该是少不了的，个人认为是很好的锻炼。

当时（17年）的代码虽然借用DB_File模块支持了大文件处理，但效率极低，正打算重写。
为了减少过度的测试时间和硬盘消耗，将此问题稍作修改，改为10G文件（或1G），语言不限，大家有兴趣吗？

bailong360

回复 17# 523066680

当时随便找的图片 XD, 我有时间找张 SFW 的图片换上去

不要放弃啊, Rust 有官方文档的翻译: https://kaisery.github.io/trpl-zh-cn/

国内也出版了 Rust编程之道 和 深入浅出Rust, 资料其实也不算少了

我也试试找个嵌入式数据库, 看内存会下降多少(&耗时会上升多少

523066680

回复 16# bailong360

    强大，感觉 Rust 前景很明朗（我也想学，不过看英文PDF很吃力就放弃了）。
https://github.com/Aloxaf/MirageTankGo 上班时间点开这个雷姆吓一跳，已 follow

我当时的处理方案是用 Perl 的 DB_File 模块，把哈希表绑定到使用磁盘文件存储的数据结构（内部实现是 BTree?），模块简化了问题（所以我现在也还没学BTREE），暂时避免了爆内存。

bailong360

又优化了一下, 代码放到 GitHub 上了: https://github.com/Aloxaf/Rust-toys/tree/master/biglog_sort

主要改动如下:
1. 更换了 HashMap 的实现
2. 使用了多线程排序
3. 更换了内存分配器
4. 记录字符串出现次数的时候不保存字符串本身, 而是保存其 Hash

目前 100MB 耗时 11s+, 内存占用 614MB

(耐着性子测了一下 1GB, 耗时 3:12, 内存占用 4.2GB......看来中间数据也不能放在内存里, 这任务真的挺麻烦的= =

PS. 更新了签名图片

=== 深夜更新 ===
试着学 LZ 在 CU 的帖子里的方法, 只记录出现次数最高的项
100MB 耗时瞬间降到了 7s, 内存占用 282MB
1GB 耗时降到了 2:00, 内存占用 1GB

原来那么大的内存都用来存每行的每个字符串的出现次数了......

bailong360

用 @tigerpower 提供的生成器生成了 100MB 随机数据
目前耗时 27s, 内存占用 819MB
profile 了一下确实有 1/3 的时间花在了 HashMap 相关操作上

bailong360

回复 11# 523066680


    你这是 debug 模式, Rust 的 debug 模式巨慢(但编译很快). 要用 release 模式编译. 命令 cargo build --release

追求更卓越性能的话应该这样

:: 使用针对本机 CPU 优化过的代码
set RUSTFLAGS="-C target_cpu=native"
cargo build --releaseCOPY

有数据生成器就好办了, 我看再来优化一下

tigerpower

估计论坛里有不少人没有编译器，我上传一个编译好的，方便大家生成样本。
只要用的命令一样，大家在自己机器上能生成一样的样本，方便比较。
用法：gensample 字节数 [seed] [p] > 文件名.txt
seed为任意整数，缺省时为1
p为1时，打印空行，缺省时不打印空行
比如生成100M的样本：

gensample 104857600 > sample_100M.txtCOPY

生成1000字节，seed为2019的样本：

gensample 1000 2019 > sample_1000_2019.txtCOPY

生成3000字节保留空行的样本：

gensample 3000 1 1 > sample_3000_p.txtCOPY

将100字节样本在屏幕上输出：

gensample 100 2>NULCOPY

大家生成的都一样，可用MD5校验：

49199e9274dd58d870227d12c1a20d3d *sample_100M.txt
b7cb800dd095a113091d21c438cee872 *sample_1000_2019.txt
b5192c110dad4f25ef1e4d0ad3d674a2 *sample_3000_p.txtCOPY

100G的话是107374182400字节，请各位注意查看自己的硬盘剩余空间，谨慎使用

523066680

回复 10# bailong360

    我用随机数据50M做测试，9楼 Rust 内存消耗峰值700M，耗时约 1 分38秒（程序输出重定向到 >nul ） CPU 频率 4GHz

12:52:01.14
    Finished dev [unoptimized + debuginfo] target(s) in 0.14s
     Running `target\debug\tmp.exe`
12:53:38.68COPY

用 tigerpower 工具生成的50M结果做测试，rust 出现错误提示：

thread 'main' panicked at 'attempt to subtract with overflow', src\main.rs:23:17
 
note: Run with `RUST_BACKTRACE=1` environment variable to display a backtrace.
error: process didn't exit successfully: `target\debug\tmp.exe` (exit code: 101)COPY

for i in 0..bytes.len()-1 {COPY

应该是空行会导致此问题，rust 不熟，在外面加了层 if bytes.len() > 1 {}
耗时 2分钟07 秒。

我认为这个问题的主要消耗在两个阶段：
1. 统计阶段，字符串/数字串的划分其实是线性处理的，真正的消耗在于超大的哈希表，大量的键值对会导致每一次查询都很慢。
2. 排序阶段，考虑归并排序（分而治之）。

随机内容的文件样本（这个版本没有空行）：
https://pan.baidu.com/s/1F9KCxQKgIbbaS5PlKDNoBg
提取码：att3

期待更多尝试

bailong360

想了想 100G 的话, 就算每行 80 个字符, 也有 10+ 亿行.
但 2G 内存就是连 10 亿个 int32 都放不下...
也就是说上面的代码还是应付不了数百GB的数据...这任务确实挺麻烦的= =

bailong360

最近在学 Rust, 感觉非常好用~

回复 7# 523066680


    诶, 这位我有印象. 没想到竟然是 CU 的版主


我最终还是找了个 API 很难用的 crate 改了下, 先用起来再说

这次 100MB 用时 4.4s, 最高内存占用 200MB
看起来内存占用并没有减少, 嘛...因为文件大小太小了看不出来, 我也没耐心弄个几G的文件测试

加上多线程应该还能快一点, 不过试了下加上效果也不是很明显, 估计瓶颈应该在 IO 上 (也有可能是文件太小了...

主体代码如下, 完整代码传百度云了(论坛上传竟然要 Flash 支持?...
链接: https://pan.baidu.com/s/1lvI4UPwOclizsfp108j0EQ 提取码: s39j

use byteorder::{LittleEndian, ReadBytesExt, WriteBytesExt};
use extsort::*;
use std::collections::HashMap;
use std::fs::File;
use std::io::{self, BufRead, BufReader, Read, Write};
 
/// 从字符串中提取出"字符串"
fn get_keywords(text: &str) -> Vec<&str> {
    #[inline]
    fn type_of(b: u8) -> u8 {
        if b.is_ascii_alphabetic() {
            return 1;
        } else if b.is_ascii_digit() {
            return 2;
        } else {
            return 3;
        }
    }
 
    let bytes = text.as_bytes();
    let mut ret = vec![];
    let mut pos = 0;
    for i in 0..bytes.len() - 1 {
        if bytes[i].is_ascii_alphanumeric() && type_of(bytes[i]) != type_of(bytes[i + 1]) {
            ret.push(&text[pos..=i]);
            pos = i + 1;
        } else if !bytes[i].is_ascii_alphanumeric() {
            pos = i + 1;
        }
    }
    if bytes[pos].is_ascii_alphanumeric() && type_of(bytes[pos]) == type_of(bytes[bytes.len() - 1])
    {
        ret.push(&text[pos..]);
    }
    ret
}
 
/// 读取文件, 确定每个"字符串"出现的次数
fn make_keyword_map(path: &str) -> HashMap<String, u32> {
    let file = BufReader::new(File::open(path).expect("无法打开文件"));
    let mut ret = HashMap::new();
 
    for line in file.lines() {
        let line = line.unwrap();
        for keyword in get_keywords(&line) {
            *ret.entry(keyword.to_owned()).or_insert(0) += 1;
        }
    }
 
    ret
}
 
/// 根据每行的字符串出现次数生成一个"特征值"
fn make_line_map(
    path: &str,
    keyword_map: &HashMap<String, u32>,
) -> (usize, HashMap<Vec<u32>, Vec<u32>>) {
    let file = BufReader::new(File::open(path).expect("无法打开文件"));
    let mut line_cnt = 0;
    let mut ret = HashMap::new();
 
    for (idx, line) in file.lines().enumerate() {
        let line = line.unwrap();
        let keywords = get_keywords(&line);
 
        let mut occurs_cnt = keywords
            .iter()
            .map(|&s| *keyword_map.get(s).unwrap())
            .collect::<Vec<_>>();
        occurs_cnt.sort_unstable_by(|a, b| b.cmp(a));
 
        ret.entry(occurs_cnt).or_insert(vec![]).push(idx as u32);
        line_cnt = idx;
    }
 
    (line_cnt, ret)
}
 
#[derive(Debug, Ord, PartialOrd, Eq, PartialEq)]
struct Line(u32, String);
 
impl Sortable<Line> for Line {
    fn encode(item: Line, write: &mut Write) {
        write.write_u32::<LittleEndian>(item.0).unwrap();
        write.write(item.1.as_bytes()).unwrap();
        write.write(&[b'\n']).unwrap();
    }
 
    fn decode(read: &mut Read) -> Option<Line> {
        let idx = read.read_u32::<LittleEndian>().ok()?;
        let mut bytes = read.bytes();
        let s = String::from_utf8(
            bytes
                .by_ref()
                .map(|b| b.unwrap())
                .take_while(|b| *b != b'\n')
                .collect(),
        )
        .unwrap();
        // eprintln!("{} {}", idx, s);
        Some(Line(idx, s))
    }
}
 
fn main() {
    let path = "a.txt";
 
    let keyword_map = make_keyword_map(path);
    let (line_cnt, line_map) = make_line_map(path, &keyword_map);
 
    // 排序
    let mut keys = line_map.keys().collect::<Vec<_>>();
    keys.sort_unstable_by(|a, b| b.cmp(a));
 
    // 确定每行的顺序
    let mut line_order = vec![0; line_cnt + 1]; // TODO: 我没记错的话当 line_cnt 很大时会出问题
    let mut order = 0 as u32;
    for key in keys {
        let idxs = line_map.get(key).unwrap();
        for &idx in idxs {
            line_order[idx as usize] = order;
            order += 1;
        }
    }
 
    // 进行外排序
    let file = BufReader::new(File::open(path).expect("无法打开文件"));
    let mut sorter = ExternalSorter::new();
    sorter.set_max_size(1 * 1024 * 1024 * 1024 / 128); // 按每行 128 字节算, 1G 内存每次最多载入多少行
    let sorted_iter = sorter
        .sort_by(
            file.lines()
                .enumerate()
                .map(|(idx, s)| Line(idx as u32, s.unwrap())),
            |a, b| line_order[a.0 as usize].cmp(&line_order[b.0 as usize]),
        )
        .unwrap();
 
    // 输出
    let stdout = io::stdout();
    let mut handle = stdout.lock();
    for line in sorted_iter {
        handle.write(line.1.as_bytes()).unwrap();
        handle.write(&[b'\n']).unwrap();
    }
}COPY

老刘1号

mark一下，，

523066680

回复 6# bailong360

      在 bathome 看到 Rust 代码，很新鲜。
最近在知乎偶然看到 CU 的那位版主（徐晨），应该 Rust 他也熟的

https://zhuanlan.zhihu.com/p/38948830



我自己的重制版还没写出来，惭愧

bailong360

嘛, 几千大洋是在 100G 数据, 2G 内存, C++ 编写 这几个条件下算出的价格
数据量减小一百倍(OR 内存增大一百倍[如果有钱的话]), 同时换简单点的语言的话, 价格应该就没那么高了
那位老哥显然没有理解"量变引起质变"这句话

用 Rust 简单试了下

use lazy_static::lazy_static;
use regex::Regex;
use std::collections::HashMap;
use std::fs::File;
use std::io::{self, BufRead, BufReader, Write};
 
/// 从字符串中提取出"字符串"
fn get_keywords(text: &str) -> Vec<&str> {
    lazy_static! {
        static ref RE: Regex = Regex::new(r#"\d+|[a-zA-Z]+"#).unwrap();
    }
    RE.find_iter(text)
        .map(|m| &text[m.start()..m.end()])
        .collect()
}
 
fn main() {
    let path = "a.txt";
    let file = File::open(path).expect("无法打开文件");
    let file = BufReader::new(file);
 
    // 遍历全文, 确定每个"字符串"出现次数
    let mut keyword_map = HashMap::new();
 
    for line in file.lines() {
        let line = line.unwrap();
        for keyword in get_keywords(&line) {
            // TODO: 此处的 clone 可避免否?
            *keyword_map.entry(keyword.to_owned()).or_insert(0) += 1;
        }
    }
 
    // 再次遍历, 确定每行所包含的字符串的出现次数
    let file = BufReader::new(File::open(path).unwrap());
    let mut line_map = HashMap::new();
 
    for line in file.lines() {
        let line = line.unwrap();
        let keywords = get_keywords(&line);
 
        let mut occurs_cnt = keywords.iter().map(|&s| *keyword_map.get(s).unwrap()).collect::<Vec<_>>();
        occurs_cnt.sort_unstable_by(|a, b| b.cmp(a));
 
        line_map.entry(occurs_cnt).or_insert(vec![]).push(line);
    }
 
    // 排序
    let mut keys = line_map.keys().collect::<Vec<_>>();
    keys.sort_unstable_by(|a, b| b.cmp(a));
 
    // 输出
    let stdout = io::stdout();
    let mut handle = stdout.lock();
    for key in keys {
        let lines = line_map.get(key).unwrap();
        for line in lines {
            handle.write(line.as_bytes()).unwrap();
            handle.write(&[b'\n']).unwrap();
        }
    }
}COPY

没有测试文本, 就拿1L的文本复制粘贴了100MB测试了一下.
时间 7s
内存占用 176MB

内存占用大了点, 毕竟 Rust 好像没啥成熟的外排序库, 也不想手写 (
同时 profile 了一下发现 1/3 多的时间竟然花在了正则上面...这个倒是可以考虑手写一下

Batcher

一周才收6000真是良心价啊，我项目里的工程师收客户至少3000每人天

yhcfsr

不管三七二十二,先mark收藏,随时关注.
我看到结果才明白,楼主说的"字符串"的划分,是纯数字[0-9]+,或纯字母[a-z]+.