这是一个创建于 715 天前的主题，其中的信息可能已经有所发展或是发生改变。
如题有一个文件 a ，只有一列存着 id
文件 b 是 3 列，存着 id 和其他字段
想找到文件 b 中 id 为文件 a 中的 id 的所有行
大佬们除了遍历还有什么其他的方法吗，因为文件 b 的行数大概有 2 亿。。。哭死
文件 b 是 3 列，存着 id 和其他字段
想找到文件 b 中 id 为文件 a 中的 id 的所有行
大佬们除了遍历还有什么其他的方法吗，因为文件 b 的行数大概有 2 亿。。。哭死
 |
1
macy 2022-12-07 16:00:32 +08:00
没想到啥好办法，遍历是肯定的，如果后面长期查找，可以尝试把文件存到数据库里吧
|
 |
2
Shinoda 2022-12-07 16:03:35 +08:00
可以用用 command line 试试? 比如 grep -Fwf a.txt b.txt 之类的? 假设你只有 a.txt 只有 id
|
 |
3
dqzcwxb 2022-12-07 16:07:44 +08:00
读到内存改成 map 优化成 O(1)去匹配,内存不够就读一半还不够就再分一半用分治法解决
|
 |
4
chaleaochexist 2022-12-07 16:12:24 +08:00
好像有个布隆过滤器 精度要求不高的情况下可以考虑. redis 就支持.
|
 |
5
xiaolinjia 2022-12-07 16:18:27 +08:00
问了下 chatgpt 。
可以使用 Linux 的 grep 命令来找到两个文件的并集。 假设文件 a 的内容如下： 1 2 3 4 文件 b 的内容如下： 1,foo,bar 2,hello,world 5,foo,baz 6,hello,world 要找到文件 b 中 id 为文件 a 中的 id 的所有行，可以使用以下命令： grep -f a b 这将输出文件 b 中与文件 a 中的 id 匹配的行，即： 1,foo,bar 2,hello,world 上面的命令中，-f 选项告诉 grep 使用文件 a 作为搜索模式。您可以使用 -w 选项来仅匹配整个单词，而不是部分单词。 例如，如果文件 a 的内容如下： hello world 那么使用 -w 选项的命令将输出： 2,hello,world 6,hello,world 但是，如果不使用 -w 选项，命令将输出所有包含文件 a 中的单词的行，即： 1,foo,bar 2,hello,world 5,foo,baz 6,hello,world 因此，要根据需要使用 -w 选项。 |
 |
6
kkyypy OP @macy 主要是上游业务方推过来的，而且这个文件是 leader 指定要用的就很迷茫，更新是上游更新的，我很难推动啊。。。
|
|
7
kkyypy OP |
 |
8
rekulas 2022-12-07 16:33:22 +08:00
遍历是必须的，毕竟总得访问才能对比，就算用工具内部也是遍历。。
awk 实现比较方便 |
 |
9
winglight2016 2022-12-07 17:06:45 +08:00
命令行能处理这么大的文件？如果是长期任务，可以考虑用 spark ，也就几行代码
|
 |
10
wxf666 2022-12-07 17:21:34 +08:00
俩文件有多大呢？
文件 a 较小的话（内存存得下），如 8 楼所说，一两行 awk 应该就行了 @winglight2016 就 2 亿数据，感觉一个几百 KB 的 SQLite 都能很好应对，不必要上大数据平台吧 |
 |
11
TimePPT 2022-12-07 18:02:50 +08:00
啥文件？量大可以导入数据库，量小，除了 LS 的办法，如果类 csv ，可以试试 csvq https://github.com/mithrandie/csvq
|
 |
12
zthxxx 2022-12-07 18:08:05 +08:00
假设有一个名为 `file_a.txt` 的文件，包含一列 id ，另一个名为 `file_b.txt` 的文件包含 3 列，第一列为 id ，可以使用以下命令找到 `file_b.txt` 中 id 为 `file_a.txt` 中的 id 的所有行：
``` grep -f file_a.txt file_b.txt ``` 这将在 `file_b.txt` 中搜索与 `file_a.txt` 中的 id 匹配的行，并输出这些行。 |
 |
13
littlewing 2022-12-07 18:59:47 +08:00
导入数据库
|
 |
14
garyox64 2022-12-07 21:36:47 +08:00  2
grep 就支持，就是 chatgpt 回答的用法，具体选项可以自己再研究下
看来这个 chatgpt 有点厉害啊，我得去研究下 |
 |
15
Tanix2 2022-12-07 21:46:11 +08:00
没有其他假设的话，b 文件肯定要遍历，如果有一行没遍历，该行 id 可能在 a 中，这就少算了一个结果了。
如果 b 中 id 是有规律的，比如有序，那么可以不遍历，比如可以二分查找。 |
|
16
Tanix2 2022-12-07 21:49:42 +08:00
这个是交集，因为你要求的是 a 、b 共有的。
|
 |
17
lululau 2022-12-07 22:06:26 +08:00
grep -Ff a.txt b.txt # 前提是 ID 列的值不会碰巧被包含在其他列中
不遍历的话，估计这个需求只有上帝能做了 |
 |
18
lance6716 2022-12-07 23:28:29 +08:00 via Android
手撸一个 SQL join 算子，很有前途
|
 |
19
lightjiao 2022-12-08 00:14:06 +08:00
多线程排序遍历（ doge ）
|
 |
20
xiadong1994 2022-12-08 03:33:58 +08:00
ID 的长度是多少？文件 b 的每一行有多长？ 2 亿行不算什么大的数据量。
|
 |
21
ruidoBlanco 2022-12-08 04:44:45 +08:00
join a.txt b.txt
如果分隔符不是空格或者需要匹配的字段不是第一个，man join 自己查。 |
 |
22
julyclyde 2022-12-08 08:36:50 +08:00
comm 命令
要加参数 |
 |
23
libook 2022-12-08 10:11:27 +08:00
拿 Python 之类的写个脚本实现吧，用 shell 调用执行，shell 自己处理这种 case 可能十分吃力，毕竟 shell 只是个用来启动其他程序的工具。
|
 |
24
jurassic2long 2022-12-08 10:30:31 +08:00
还是上数据库吧，sqlite 就行，免去了各种细节问题，操作简单，计算高效
|
|
25
wxf666 2022-12-08 11:05:26 +08:00
@ruidoBlanco @julyclyde `join` 和 `comm` 命令都要求 a.txt 和 b.txt 排好序了吧。。
如果俩文件都排好序了的话，反而没必要遍历 b.txt 了。如 @Tanix2 #16 所说，用二分查找更快 |
 |
26
coolloves 2022-12-08 11:46:18 +08:00
假定 a 的第一列是 id, b 的第一列也是 id,如果不是,修改以下 $1,如果 b 的 id 不固定,则忽略这个回答.
awk 'NR==FNR {a[$1];next} $1 in a' a b |
 |
27
xyjincan 2022-12-08 12:50:03 +08:00
A 文件进内存，B 文件逐行输出，程序也许一分钟就跑完了
|
 |
29
lizuoqiang 2022-12-08 17:57:59 +08:00
join -t , a.txt b.txt
|
Select Language