unix - divise un énorme fichier .gz par ligne

Je suis sûr que quelqu'un a eu le besoin ci-dessous, quel est un moyen rapide de diviser un énorme fichier .gz par ligne? Le fichier texte sous-jacent comporte 120 millions de lignes. Je n'ai pas assez d'espace disque pour compresser le fichier en entier à la fois, donc je me demandais si quelqu'un connaissait un script ou un outil bash / perl qui pourrait diviser le fichier (soit le .gz ou le .txt interne) en 3 fichiers de ligne de 40mn . c'est-à-dire l'appeler comme:

    bash splitter.sh hugefile.txt.gz 4000000 1
 would get lines 1 to 40 mn    
    bash splitter.sh hugefile.txt.gz 4000000 2
would get lines 40mn to 80 mn
    bash splitter.sh hugefile.txt.gz 4000000 3
would get lines 80mn to 120 mn

Peut-être qu'une série de ces solutions est une solution ou le gunzip -c nécessiterait-il suffisamment d'espace pour que le fichier entier soit décompressé (c'est-à-dire le problème d'origine): gunzip -c énormefichier.txt.gz | tête 4000000

Remarque: je ne peux pas obtenir de disque supplémentaire.

Merci!

La meilleure façon de procéder dépend de ce que vous voulez:

• Voulez-vous extraire une seule partie du gros fichier?
• Ou souhaitez-vous créer toutes les pièces en une seule fois?

Si vous voulez une seule partie du fichier , votre idée d'utiliser gunzipet headest juste. Vous pouvez utiliser:

gunzip -c hugefile.txt.gz | head -n 4000000

Cela produirait les 400 000 premières lignes sur la sortie standard - vous voudrez probablement ajouter un autre canal pour réellement faire quelque chose avec les données.

Pour obtenir les autres parties, vous utiliseriez une combinaison de headet tail, comme:

gunzip -c hugefile.txt.gz | head -n 8000000 |tail -n 4000000

pour obtenir le deuxième bloc.

Est-ce que peut-être une série de ces solutions ou le gunzip -c nécessiterait-il suffisamment d'espace pour que le fichier entier soit décompressé

Non, le gunzip -cne nécessite aucun espace disque - il fait tout en mémoire, puis le diffuse sur stdout.

Si vous souhaitez créer toutes les pièces en une seule fois , il est plus efficace de les créer toutes avec une seule commande, car le fichier d'entrée n'est lu qu'une seule fois. Une bonne solution consiste à utiliser split; voir la réponse de Jim Mcnamara pour plus de détails.

pipe à diviser utilisez gunzip -c ou zcat pour ouvrir le fichier

gunzip -c bigfile.gz | split -l 400000

Ajoutez des spécifications de sortie à la commande de division.

Comme vous travaillez sur un flux (non rembobinable), vous souhaiterez utiliser la forme de queue '+ N' pour obtenir des lignes à partir de la ligne N.

zcat hugefile.txt.gz | head -n 40000000
zcat hugefile.txt.gz | tail -n +40000001 | head -n 40000000
zcat hugefile.txt.gz | tail -n +80000001 | head -n 40000000

J'envisagerais d'utiliser split .

diviser un fichier en morceaux

Divisez directement le fichier .gz en fichiers .gz:

zcat bigfile.gz | split -l 400000 --filter='gzip > $FILE.gz'

Je pense que c'est ce que voulait OP, car il n'a pas beaucoup d'espace.

Voici un script python pour ouvrir un ensemble de fichiers globalisés à partir d'un répertoire, les compresser si nécessaire et les parcourir ligne par ligne. Il utilise uniquement l'espace nécessaire en mémoire pour contenir les noms de fichiers et la ligne actuelle, plus un peu de surcharge.

#!/usr/bin/env python
import gzip, bz2
import os
import fnmatch

def gen_find(filepat,top):
    for path, dirlist, filelist in os.walk(top):
        for name in fnmatch.filter(filelist,filepat):
            yield os.path.join(path,name)

def gen_open(filenames):
    for name in filenames:
        if name.endswith(".gz"):
            yield gzip.open(name)
        elif name.endswith(".bz2"):
            yield bz2.BZ2File(name)
        else:
            yield open(name)

def gen_cat(sources):
    for s in sources:
        for item in s:
            yield item

def main(regex, searchDir):
    fileNames = gen_find(regex,searchDir)
    fileHandles = gen_open(fileNames)
    fileLines = gen_cat(fileHandles)
    for line in fileLines:
        print line

if __name__ == '__main__':
    parser = argparse.ArgumentParser(description='Search globbed files line by line', version='%(prog)s 1.0')
    parser.add_argument('regex', type=str, default='*', help='Regular expression')
    parser.add_argument('searchDir', , type=str, default='.', help='list of input files')
    args = parser.parse_args()
    main(args.regex, args.searchDir)

La commande print line enverra chaque ligne vers std out, vous pouvez donc rediriger vers un fichier. Alternativement, si vous nous faites savoir ce que vous voulez faire avec les lignes, je peux l'ajouter au script python et vous n'aurez pas besoin de laisser des morceaux du fichier autour.

Voici un programme perl qui peut être utilisé pour lire stdin et diviser les lignes, en redirigeant chaque groupe vers une commande distincte qui peut utiliser une variable shell $ SPLIT pour l'acheminer vers une destination différente. Pour votre cas, il serait invoqué avec

zcat hugefile.txt.gz | perl xsplit.pl 40000000 'cat > tmp$SPLIT.txt; do_something tmp$SPLIT.txt; rm tmp$SPLIT.txt'

Désolé, le traitement en ligne de commande est un peu compliqué, mais vous avez l'idée.

#!/usr/bin/perl -w
#####
# xsplit.pl: like xargs but instead of clumping input into each command's args, clumps it into each command's input.
# Usage: perl xsplit.pl LINES 'COMMAND'
# where: 'COMMAND' can include shell variable expansions and can use $SPLIT, e.g.
#   'cat > tmp$SPLIT.txt'
# or:
#   'gzip > tmp$SPLIT.gz'
#####
use strict;

sub pipeHandler {
    my $sig = shift @_;
    print " Caught SIGPIPE: $sig\n";
    exit(1);
}
$SIG{PIPE} = \&pipeHandler;

my $LINES = shift;
die "LINES must be a positive number\n" if ($LINES <= 0);
my $COMMAND = shift || die "second argument should be COMMAND\n";

my $line_number = 0;

while (<STDIN>) {
    if ($line_number%$LINES == 0) {
        close OUTFILE;
        my $split = $ENV{SPLIT} = sprintf("%05d", $line_number/$LINES+1);
        print "$split\n";
        my $command = $COMMAND;
        open (OUTFILE, "| $command") or die "failed to write to command '$command'\n";
    }
    print OUTFILE $_;
    $line_number++;
}

exit 0;