awk

awk

我试图了解与sed和相关的一些性能问题awk,并且我做了以下实验,

$ seq 100000 > test
$ yes 'NR==100001{print}' | head -n 5000 > test.awk
$ yes '100001{p;b}' | head -n 5000 > test.sed
$ time sed -nf test.sed test
real    0m3.436s
user    0m3.428s
sys     0m0.004s
$ time awk -F@ -f test.awk test
real    0m11.615s
user    0m11.582s
sys     0m0.007s
$ sed --version
sed (GNU sed) 4.5
$ awk --version
GNU Awk 4.2.1, API: 2.0 (GNU MPFR 3.1.6-p2, GNU MP 6.1.2)

test.sed这里,由于测试文件仅包含 100000 行,因此和中的所有命令test.awk都是空操作。两个程序只需将行号与地址(in sed)或NR(in awk)进行匹配即可决定该命令不需要执行,但时间成本仍然存在巨大差异。为什么会这样呢?是否有人安装了不同版本sedawk在此测试中给出了不同的结果?

编辑:结果mawk(如 @mosvy 所建议)original-awk(基于 debian 的系统中“one true awk”的名称,由 @GregA.Woods 建议)perl如下所示,

$ time mawk -F@ -f test.awk test
real    0m5.934s
user    0m5.919s
sys     0m0.004s
$ time original-awk -F@ -f test.awk test
real    0m8.132s
user    0m8.128s
sys     0m0.004s
$ yes 'print if $.==100001;' | head -n 5000 > test.pl
$ time perl -n test.pl test
real    0m33.245s
user    0m33.110s
sys     0m0.019s
$ mawk -W version
mawk 1.3.4 20171017
$ perl --version
This is perl 5, version 28, subversion 1 (v5.28.1) built for x86_64-linux-thread-multi

在和的情况下,替换-F@-F ''不会产生明显的变化。不支持空。gawkmawkoriginal-awkFS

编辑2 @mosvy 的测试给出了不同的结果, 21 秒sed和 11 秒mawk,详细信息请参阅下面的评论。

答案1

awk具有比 更广泛的功能集sed和更灵活的语法。因此,解析脚本和执行脚本需要更长的时间,这并非不合理。

由于您的示例命令(大括号内的部分)永远不会运行,因此时间敏感部分应该是您的测试表达式。

awk

首先看awk例子中的测试:

NR==100001

gprof并查看(GNU awk 4.0.1)中的效果:

  % 累计自我总计
 时间 秒 秒 呼叫 s/呼叫 s/呼叫名称
 55.89 19.73 19.73 1 19.73 35.04 解释
  8.90 22.87 3.14 500000000 0.00 0.00 cmp_标量
  8.64 25.92 3.05 1000305023 0.00 0.00 自由_wstr
  8.61 28.96 3.04 500105014 0.00 0.00 mk_number
  6.09 31.11 2.15 500000001 0.00 0.00 cmp_nodes
  4.18 32.59 1.48 500200013 0.00 0.00 未参考
  3.68 33.89 1.30 500000000 0.00 0.00 评估条件
  2.21 34.67 0.78 500000000 0.00 0.00 update_NR

大约 50% 的时间花在“解释”上,即运行解析脚本产生的操作码的顶级循环。

每次运行测试时(即 5000 个脚本行 * 100000 个输入行),awk必须:

  • 获取内置变量“NR”( update_NR)。
  • 转换字符串“100001”( mk_number)。
  • 比较它们 ( cmp_nodes, cmp_scalar, eval_condition)。
  • 丢弃比较所需的任何临时对象 ( free_wstr, unref)

其他awk实现不会有完全相同的调用流程,但它们仍然必须检索变量,自动转换,然后进行比较。

sed

相比之下,在 中sed,“测试”要有限得多。它只能是单个地址、地址范围或什么都不是(当该命令是该行的第一件事时),并且sed可以从第一个特点无论是地址还是命令。在示例中,它是

100001

...单个数字地址。配置文件(GNU sed 4.2.2)显示

  % 累计自我总计
 时间 秒 秒 呼叫 s/呼叫 s/呼叫名称
 52.01 2.98 2.98 100000 0.00 0.00 执行程序
 44.16 5.51 2.53 1000000000 0.00 0.00 匹配地址_p
  3.84 5.73 0.22 匹配地址
[...]
  0.00 5.73 0.00 5000 0.00 0.00 整数

同样,~50% 的时间位于顶层execute_program。在这种情况下,每个输入行调用一次,然后循环遍历已解析的命令。循环从地址检查开始,但这并不是您的示例中的全部内容(请参阅下文)。

输入脚本中的行号在编译时被解析 ( in_integer)。对于输入中的每个地址编号只需执行一次,即。 5000次,对整体运行时间没有太大贡献。

这意味着地址检查match_address_p仅比较已经可用的整数(通过结构和指针)。

进一步sed改进

配置文件显示被match_address_p调用2*5000*100000次,即。两次每个脚本行*输入行。这是因为,GNU 在幕后sed处理“开始块”命令

100001{...}

作为到块末尾的否定分支

100001!b end; ... :end

该地址匹配成功在每个输入行上,导致分支到块的末尾 ( })。该块末端没有关联的地址,因此这是另一个成功的匹配。这就解释了为什么要花这么多时间execute_program

因此,sed如果省略未使用的内容;b以及由此产生的不必要的内容{...},只留下100001p.

  % 累计自我总计           
 时间 秒 秒 呼叫 s/呼叫 s/呼叫名称    
 71.43 1.40 1.40 500000000 0.00 0.00 匹配地址
 24.49 1.88 0.48 100000 0.00 0.00 执行程序
  4.08 1.96 0.08 匹配地址

这使得调用次数减半match_address_p,并且还减少了花费的大部分时间execute_program(因为地址匹配永远不会成功)。

答案2

实际上上面的脚本对于 awk 来说并不是 noop:

即使您不使用字段的内容,根据GAWK手册对于读取的每条记录,不可避免地要执行以下步骤:

  • 扫描所有出现的 FS
  • 场分裂
  • 更新 NF 变量

如果您不使用此信息,它就会被丢弃。

如果记录中没有出现字段分隔符,awk 仍然必须将文本分配给 $0(在您的情况下也分配给 $1),并将 NF 设置为获取的字段的实际数量(上面示例中的 1)

相关内容