1.背景

工作中使用MapReduce任務(wù)導(dǎo)出一批含有路徑的文件，共計(jì)行數(shù)300W+，需要檢測文件是否在對應(yīng)的服務(wù)器中存在，而文件所在的服務(wù)器并非hadoop集群的服務(wù)器，因此打算采用bash腳本進(jìn)行。具體的方法如下(可直接看方法2,方法1效率較低)：

2. 采用的方法

a. 方法1

原本打算使用如下腳本，進(jìn)行簡單驗(yàn)證：

!/bin/bashcount=0cat oriTest.txt | while read datadocount=$(( $count+1 ))echo $countdir=echo "$data" | awk -F "\t" '{print $5}'if [ -e $dir ];thenecho "$data" >> exist.txtelseecho "$data" >> noexist.txtfidone

原始數(shù)據(jù)格式如下：

name mark id dir

運(yùn)行時(shí)發(fā)現(xiàn)處理5000行需要將近4、5分鐘的時(shí)間(機(jī)器為8核)，果斷不行啊，隨后打算采用多進(jìn)程的方法來執(zhí)行，見方法2

b. 方法2

主要是通過將大文件分為小文件，然后對小文件進(jìn)行后臺(tái)遍歷讀取，腳本如下：

!/bin/bashsource ~/.bashrc

判斷路徑是否存在

readdata(){cat $1 | while read datadodir=echo "$data" | awk -F "\t" '{print $5}'if [ -e $dir ];thenecho "$data" >> "exist_$1.txt"elseecho "$data" >> "noexist_$1.txt"fidone}

大文件切分為小文件，生成文件名為xaa,axb等(可以自己命名文件)

split -l 10000 oriTest.txt

declare -a files # 聲明數(shù)組

files=($(ls x*)) # 分割后的小文件名保存數(shù)組

遍歷，并后臺(tái)執(zhí)行

for i in ${files[@]};doecho $ireaddata $i &done

來源：twt社區(qū)

整理：大數(shù)據(jù)肌肉猿

--end--

掃描下方二維碼

添加好友，備注【交流群】

拉你到學(xué)習(xí)路線和資源豐富的交流群