У меня есть два текстовых файла 3GB, каждый файл имеет около 80 миллионов строк. И они имеют 99,9% идентичных строк (файл A имеет 60 000 уникальных строк, файл B имеет 80 000 уникальных строк).
Как быстро найти эти уникальные строки в двух файлах? Есть ли готовые к использованию средства командной строки для этого? Я использую Python, но я думаю, что менее эффективно найти эффективный метод Pythonic для загрузки файлов и сравнения.
Любые предложения приветствуются.
Если порядок имеет значение, попробуйте утилиту comm. Если порядок не имеет значения, sort file1 file2 | uniq -u.
Я думаю, что это самый быстрый метод (будь то на Python или на другом языке не должно быть слишком много IMO).
Примечания:
1. Я сохраняю только каждый хэш для сохранения пробела (и время, когда может возникнуть пейджинг)
2. Из-за вышеизложенного я печатаю только номера строк; если вам нужны реальные строки, вам просто нужно будет снова прочитать файлы
3. Я предполагаю, что хеш-функция не приводит к конфликтам. Это почти, но не совсем точно.
4.I импортировать hashlib, потому что встроенная функция hash() слишком короткая, чтобы избежать конфликтов.
import sys
import hashlib
file = []
lines = []
for i in range(2):
# open the files named in the command line
file.append(open(sys.argv[1+i], 'r'))
# stores the hash value and the line number for each line in file i
lines.append({})
# assuming you like counting lines starting with 1
counter = 1
while 1:
# assuming default encoding is sufficient to handle the input file
line = file[i].readline().encode()
if not line: break
hashcode = hashlib.sha512(line).hexdigest()
lines[i][hashcode] = sys.argv[1+i]+': '+str(counter)
counter += 1
unique0 = lines[0].keys() - lines[1].keys()
unique1 = lines[1].keys() - lines[0].keys()
result = [lines[0][x] for x in unique0] + [lines[1][x] for x in unique1]
С 60 000 или 80 000 уникальных строк вы можете просто создать словарь для каждой уникальной строки, сопоставляя его с числом. mydict["hello world"] => 1 и т.д. Если ваша средняя строка составляет около 40-80 символов, она будет находиться в районе 10 МБ памяти.
Затем прочитайте каждый файл, преобразуя его в массив чисел через словарь. Они будут легко вписываться в память (2 файла из 8 байтов * 3 ГБ /60 тыс. Строк меньше 1 МБ памяти). Затем разберите списки. Вы можете инвертировать словарь и использовать его для распечатки текста строк, которые отличаются.
EDIT:
В ответ на ваш комментарий здесь пример script, который присваивает номера уникальным строкам, когда он читает из файла.
#!/usr/bin/python
class Reader:
def __init__(self, file):
self.count = 0
self.dict = {}
self.file = file
def readline(self):
line = self.file.readline()
if not line:
return None
if self.dict.has_key(line):
return self.dict[line]
else:
self.count = self.count + 1
self.dict[line] = self.count
return self.count
if __name__ == '__main__':
print "Type Ctrl-D to quit."
import sys
r = Reader(sys.stdin)
result = 'ignore'
while result:
result = r.readline()
print result
Если я правильно понимаю, вам нужны строки этих файлов без дубликатов. Это делает работу:
uniqA = set(open('fileA', 'r'))
http://www.emeditor.com/ может обрабатывать большие файлы и также может сравнивать их.
У Python есть difflib, который претендует на высокую конкуренцию с другими утилитами diff: http://docs.python.org/library/difflib.html