我有一个大约 40GB 的文件和一个过滤命令,当我尝试在文件上运行它时(即使通过管道传递),该命令由于某种原因会中断。
但是。当我将输入文件拆分成多个小文件、通过过滤器传递每个文件并连接输出时,它不会失败。
因此,我正在寻找一种方法来做:
- 将文件分割成小块(10MB?)
- 对每个块运行一些命令
- 按正确顺序连接输出
但没有先完全分割文件(我不想使用那么多磁盘空间)。
我可以自己编写这样的程序,但也许已经有一些程序可以满足我的需要?
答案1
你不是第一个遇到这个问题的人iconv
。有人写过Perl 脚本来解决它。
iconv
不能很好地处理大文件。从 glibc 源代码中,在iconv/iconv_prog.c
:
/* Since we have to deal with
arbitrary encodings we must read the whole text in a buffer and
process it in one step. */
但是,对于您的特定情况,最好编写自己的 UTF-8 验证器。您可以轻松提炼iconv -c -f utf8 -t utf8
为一个小的 C 程序,其中包含一个调用的循环iconv(3)
由于 UTF-8 是非模式的并且是自同步的,因此您可以分块处理它。
#include <errno.h>
#include <iconv.h>
#include <stdio.h>
#include <string.h>
#include <unistd.h>
#define BUFSIZE 4096
/* Copy STDIN to STDOUT, omitting invalid UTF-8 sequences */
int main() {
char ib[BUFSIZE], ob[BUFSIZE], *ibp, *obp;
ssize_t bytes_read;
size_t iblen = 0, oblen;
unsigned long long total;
iconv_t cd;
if ((iconv_t)-1 == (cd = iconv_open("utf8", "utf8"))) {
perror("iconv_open");
return 2;
}
for (total = 0;
bytes_read = read(STDIN_FILENO, ib + iblen, sizeof(ib) - iblen);
total += bytes_read - iblen) {
if (-1 == bytes_read) { /* Handle read error */
perror("read");
return 1;
}
ibp = ib; iblen += bytes_read;
obp = ob; oblen = sizeof(ob);
if (-1 == iconv(cd, &ibp, &iblen, &obp, &oblen)) {
switch (errno) {
case EILSEQ: /* Invalid input multibyte sequence */
fprintf(stderr, "Invalid multibyte sequence at byte %llu\n",
1 + total + sizeof(ib) - iblen);
ibp++; iblen--; /* Skip the bad byte next time */
break;
case EINVAL: /* Incomplete input multibyte sequence */
break;
default:
perror("iconv");
return 2;
}
}
write(STDOUT_FILENO, ob, sizeof(ob) - oblen);
/* There are iblen bytes at the end of ib that follow an invalid UTF-8
sequence or are part of an incomplete UTF-8 sequence. Move them to
the beginning of ib. */
memmove(ib, ibp, iblen);
}
return iconv_close(cd);
}
答案2
如果你决定自己写,而且你正在谈论文本文件,那么你可以使用 Perl领带::文件模块。这允许您在大文件上逐行处理。它就是为这种事情而设计的。
你可以尝试领带::文件::任何数据如果该文件不是文本。
答案3
编辑:刚刚注意到你不想因为磁盘空间而提前分割文件,这可能不适合你
使用分割:
$ man split
NAME
split - split a file into pieces
SYNOPSIS
split [OPTION] [INPUT [PREFIX]]
DESCRIPTION
Output fixed-size pieces of INPUT to PREFIXaa, PREFIXab, ...; default size is 1000 lines, and default PREFIX is `x'. With no INPUT, or when INPUT is -, read standard input.
Mandatory arguments to long options are mandatory for short options too.
-a, --suffix-length=N
use suffixes of length N (default 2)
-b, --bytes=SIZE
put SIZE bytes per output file
-C, --line-bytes=SIZE
put at most SIZE bytes of lines per output file
-d, --numeric-suffixes
use numeric suffixes instead of alphabetic
-l, --lines=NUMBER
put NUMBER lines per output file
--verbose
print a diagnostic to standard error just before each output file is opened
--help display this help and exit
--version
output version information and exit
SIZE may have a multiplier suffix: b 512, kB 1000, K 1024, MB 1000*1000, M 1024*1024, GB 1000*1000*1000, G 1024*1024*1024, and so on for T, P, E, Z, Y.
答案4
尝试这个:
/bin/bash #!/bin/bash 文件=/var/log/messages 块大小=100 行=1 总计=`wc -l $FILE | cut -d' '-f1` 当[$LINE -le $TOTAL]时; 让 ENDLINE=$LINE+$CHUNKSIZE sed“${LINE},${ENDLINE}p”$FILE | grep -i“mark” 让 LINE=$ENDLINE+1 完毕