扩充你的工具箱 - 大行文件的处理

前言

前几天,从 DBA 手里接到一个 Redis RDB 文件,里面是 15G 约 660万 的 Redis 键值对数据,想通过这些数据提取出当前 Redis 的 Key 和这些 Key 的类型。其文件的每行结构类似于:

KEY: IAmATestKey || TYPE: STRING || expiretime:-1 || value:IAmTheTestValue

下文就是此问题的跳坑和脱坑过程:

文章经常被人爬,而且还不注明原地址,我在这里的更新和纠错没法同步,这里注明一下原文地址:http://www.cnblogs.com/zhenbianshu/p/7486530.html 以防误人子弟。

通用解决方案不好使

awk长时间处理中

对 linux 命令稍熟悉的同学可能就会说了:这些数据格式这么统一,数据字段间也有明显的分隔符,不正是 awk 工具大显身手的时刻吗?

是的,awk 是 linux 下一个强大而又略复杂的命令,使用它的简单语句也可以高效地处理大量文本,但是今天的主角不是它,我也不想复制粘贴网上到处都是的教程,就不再多介绍了。

原以为使用 awk -F ' ' '{printf $2","$6}' rdb.log >>keys.txt 将结果重定向到 keys.txt,也就一行命令的事,可是执行后,发现执行了两个小时还没有结束的意思。

是文件太大,awk 卡住了么?

切割文件也无法解决

文件太大处理不方便,这时,就要用到linux的另一个工具了:split 将文件以行数/大小平均分割; split [-b bytes][-l line] input_file output_prefix

由于每一行的大小是不同的,按照大小来分割的话可能会导致某一行被拆散,于是以每个文件 100 万行,分割出7个文件,再对这些文件分别使用 awk 来处理, split -l 1000000 rdb.log rdb_split_

对分割后的文件使用awk,结果奇怪的是还是会在某个文件上执行很长时间没反应。

这时使用 ls 命令查看文件大小的时候发现,15G 的文件分割成了 7 份,有一个竟然有 7G 大小,这时想到可能会有的 set 或 list 很大,占用几 G 的内存也是有可能的。而 awk 长时间处理有可能是因为这些特别大的行。

用C来高效处理

既然如此,那就只好用别的方法先处理一下文件了,这里我考虑取出文件数据每行的前100个字符,由于键都很短,100个字符已经是足够包括键名和类型了。

可是印象中没有相关的工具或命令,于是找谷哥搜索一下文件的大行怎么处理。。。结果并没有相应的解决方式,只好考虑自己来写脚本了,由于其逻辑并不复杂,而且对效率要求高,就舍弃了 PHP,准备使用 C 来解决。

整体思想是:利用 C 文件操作函数 fgets(&res, length, file_hanler) 在每一行读到换行符或读到 length 个字符的特点。如果读到100个字符还没有读到结尾(最后一个字符不是换行符),就说明此行是一个大行,那么就读取单个字符并丢弃,直到读到换行符,再继续处理下一行。

这里贴上 C 脚本:

#include <stdio.h>
#include <string.h>

int main() {
    FILE *fp_in;
    FILE *fp_out;
    char ch;
    char line[100];
    
    fp_in = fopen("rdb.log", "r");
    fp_out = fopen("keys.txt", "w");

    while (!feof(fp_in)) {
        fgets(line, 100, fp_in);  //读取一行
        fputs(line, fp_out);

        if (line[strlen(line) - 1] != '\n') {
            while ((ch = fgetc(fp_in)) != '\n') { 
                ;
            }
            fputc('\n', fp_out);
        }
    }
    fclose(fp_in);
    fclose(fp_out);
}

C 执行得还是很快的,大概三分钟。执行结束后,再使用 awk 工具,果然很快就把键和类型拆了出来。

此时心情大好,果然多掌握一门像 C 这种高效语言就是有用啊。

还有更好的工具

当从 leader 口中得知 cut 命令时,我的表情是这样的:

好吧,赶快了解一下 cut 命令:

cut [options] [file.name] :从每个文件中输出指定部分到标准输出。

其选项有:

  • -b n 输出第n个字节;
  • -c n 输出第n个字符,用于处理类似utf-8中文这种三个字节的字符;
  • -f n 输出第n个字段,其字段分隔符用 -d 指定;

不光有我脚本取前 n 个字符的功能,还能直接取第 n 个字段。。

试了下,cut -b 100 rdb.log >>keys.log 取前 100 个字符用了 8 分钟,虽然比 C 脚本要慢,可是它不用手写脚本,而且适用范围比我写的脚本要大。

小结

问题是顺利解决了,可是解决过程引起我的思考。这个问题应该会被更快更方便地解决的,搞得这么麻烦主要是因为 linux命令掌握不全

不知道 linux 还有 cut 命令。其实也不是不知道,事后发现我笔记里已经有了关于 cut 的简单记录了,可能是由于命令太过简单,没有很多参数,也没想到太多应用场景,被我记入了 linux 的杂项。

同时也发现了跟 cut 一样被遗忘的还有其他小知识点,是时候回忆一波了。

另外谷哥搜索命令的关键词也大有问题,没有抓住取文件前 n 字符的本质,竟然去搜索文件大行处理,因为急着要下班去接女朋友,失了智了,最后一个弥补工具问题的机会被抛弃了。

我一直认为:解决问题的能力 ~ 个人工具箱的大小。掌握的工具越多,面对问题就会有更多选择,解决问题也就越得心应手。开发技能是基础,工具用好才能快速高效地解决问题。

写几个常用自动化脚本、alias 简化一下很长的命令、掌握一些常用的快捷键,开发效率就能这么一点点提升了。

关于本文有什么问题可以在下面留言交流,如果您觉得本文对您有帮助,可以点击下面的 推荐 支持一下我。一直在更新,欢迎 关注

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏Spark学习技巧

深入理解Apache Flink核心技术

6673
来自专栏nothing

游戏服务端开发的逻辑解耦思路

最开始的代码库中,主循环收到协议后,通过手写的路由关系转交给对应的业务逻辑类实现。

2313
来自专栏运维技术迷

Redis单线程架构

redis使用了单线程架构和I/O多路复用模型来实现高性能的内存数据库服务。 引出单线程模型 开启三个redis-cli客户端同时执行命令 客户端1设置一个字...

3998
来自专栏华章科技

Java 10新特性解密

请注意,本文中所包含的信息在写本文时是准确的。但是到发布时,JDK 10特性组预计将会增加。

682
来自专栏web前端教室

前端开发就是这样,“看似简单的东西,反而会很复杂。”

今天的零基础前端课讲到了一个tab地址切换的菜单,就下面这个东西, ? 第一眼看起来超级简单,无非是点击上面的title显示下面的菜单,然后点省市区把内容选上去...

2006
来自专栏大闲人柴毛毛

使用Eclipse插件提高Java编码质量

代码质量概述 ? 怎样辨别一个项目代码写得好还是坏?优秀的代码和腐化的代码区别在哪里?怎么让自己写的代码既漂亮又有生命力?接下来将对代码质量的问题进行...

3017
来自专栏做全栈攻城狮

Python实战:Python爬虫学习教程,获取电影排行榜

Python应用现在如火如荼,应用范围很广。因其效率高开发迅速的优势,快速进入编程语言排行榜前几名。本系列文章致力于可以全面系统的介绍Python语言开发知识和...

1015
来自专栏腾讯移动品质中心TMQ的专栏

基于 hook 和 gmock 开展单元测试

单元测试又称为模块测试,是针对程序模块(软件设计的最小单位)来进行正确性检验的测试工作。程序单元是应用的最小可测试部件。在过程化编程中,一个单元就是单个程序、函...

6181
来自专栏Keegan小钢

App架构经验总结(一)

原文链接:http://keeganlee.me/post/architecture/20160303 版权声明:本文刊载在《程序员》杂志2016年3期,版权归...

1594
来自专栏逍遥剑客的游戏开发

UE4学习笔记(四): 开发体验

2406

扫码关注云+社区