☰

计算文件中每一行的 md5sum

tag-icon • tag-icon hashsum gnu-parallel
计算文件中每一行的 md5sum

给定一个如下文件：

a
b
c

我如何获得如下输出：

a       0cc175b9c0f1b6a831c399e269772661
b       92eb5ffee6ae2fec3ad71c777531578f
c       4a8a08f09d37b73795649038408b5f33

以有效的方式？ （输入为 80 GB）

答案1

这可能只是 perl 中的一行：

head 80gb | perl -MDigest::MD5=md5_hex -nlE'say"$_\t".md5_hex($_)'
a       0cc175b9c0f1b6a831c399e269772661
b       92eb5ffee6ae2fec3ad71c777531578f
c       4a8a08f09d37b73795649038408b5f33
d       8277e0910d750195b448797616e091ad
e       e1671797c52e15f763380b45e841ec32
f       8fa14cdd754f91cc6554c9e71929cce7
g       b2f5ff47436671b6e533d8dc3614845d
h       2510c39011c5be704182423e3a695e91
i       865c0c0b4ab0e063e5caa3387c1a8741
j       363b122c528f54df4a0446b6bab05515

如果您需要存储输出并希望在咀嚼这个大块时有一个漂亮的进度条：

sudo apt install pv          #ubuntu/debian
sudo yum install pv          #redhat/fedora
pv 80gb | perl -MDigest::MD5=md5_hex -nlE'say"$_\t".md5_hex($_)' | gzip -1 > 80gb-result.gz

答案2

除了@Ole Tange 的方法之外，这里还有一个优化的解决方案（Python 的部分）：

md5summer.py脚本：

#!/usr/bin/python

import sys
import hashlib

for r in sys.stdin:
    if r.strip():
        h = hashlib.md5()
        h.update(r.encode());
        print r, '\t', h.hexdigest()

优化要点：

  • hashlib- 使用实际的库而不是已弃用的库
  • for r in sys.stdin:- 从类似生成器的对象而不是列表中读取
  • if r.strip():- 检查空记录以避免多余的hashlib方法调用

用法：

parallel --pipepart -a my80gb-file -S server1,server2 --block 1 /path_to/md5summer.py

示例输出：

a   0cc175b9c0f1b6a831c399e269772661
b   92eb5ffee6ae2fec3ad71c777531578f
c   4a8a08f09d37b73795649038408b5f33
d   8277e0910d750195b448797616e091ad
f   8fa14cdd754f91cc6554c9e71929cce7
e   e1671797c52e15f763380b45e841ec32
g   b2f5ff47436671b6e533d8dc3614845d
h   2510c39011c5be704182423e3a695e91
i   865c0c0b4ab0e063e5caa3387c1a8741
j   363b122c528f54df4a0446b6bab05515
k   8ce4b16b22b58894aa86c421e8759df3
l   2db95e8e1a9267b7a1188556b2013b33
m   6f8f57715090da2632453988d9a1501b
n   7b8b965ad4bca0e41ab51de7b31363a1
p   83878c91171338902e0fe0fb97a8c47a
o   d95679752134a2d9eb61dbd7b91c4bcc
q   7694f4a66316e53c8cdd9d9954bd611d
r   4b43b0aee35624cd95b910189b3dc231
s   03c7c0ace395d80182db07ae2c30f034
t   e358efa489f58062f10dd7316b65649e
u   7b774effe4a349c6dd82ad4f4f21d34c
v   9e3669d19b675bd57058fd4664205d2a
w   f1290186a5d0b1ceab27f4e77c0c5d68
x   9dd4e461268c8034f5c8564e155c67a6
y   415290769594460e2e485922904f345d
z   fbade9e36a3f36d3d676c1b808451dd7
...

答案3

首先创建一个单线程程序（md5er），它可以在给定输入的情况下生成正确的输出：

#!/usr/bin/python

import sys
import hashlib

for r in sys.stdin:
  print r[:-1], '\t', hashlib.md5(r[:-1]).hexdigest()

然后使用 GNU Parallel 将输入分割成可以分发到计算服务器的块：

parallel --pipepart -a my80gb-file -Sworker1,worker2,worker3,: --block -10 md5er

相关内容