这是一个创建于 3145 天前的主题，其中的信息可能已经有所发展或是发生改变。
用一行很长 linux shell 脚本，从格式为“ uid,timestamp ”的 10G 大小的日志中抽取前天 4 点到 5 点间，访问用户最多的前 5 名的 uid 的列表。
求 V 友们给指引方向，谢谢，谢谢，谢谢！
求 V 友们给指引方向，谢谢，谢谢，谢谢！
 |
1
justfly 2016-03-31 17:58:13 +08:00  1
方向是 cat | grep | awk
awk 具体统计用法自己查下 我记不清了 |
 |
2
visaxin 2016-03-31 17:59:12 +08:00 via Android 1
spark 应该就可以把
|
 |
4
skydiver 2016-03-31 18:02:23 +08:00
这不是常见面试题么……
|
 |
5
JamesRuan 2016-03-31 18:16:18 +08:00
10G 不算大吧……
|
 |
6
shsfoolish 2016-03-31 18:43:28 +08:00 1
先用`split`切成多个小文件，每个小文件用`awk`统计前天 4-5 点内的访问量，将每个文件的中间结果输出到临时文件，最后将临时文件求合计算出 top5 ((基本上是 MR 过程..
|
 |
7
chairuosen 2016-03-31 19:05:41 +08:00 1
cat a.txt | awk -F, '$2 < 1433001600500 && $2> 1433001600000 {print $1}' | uniq -c | sort -k1,1nr | head -5
不知道大文件有没有问题 |
|
8
chairuosen 2016-03-31 19:06:09 +08:00
@chairuosen 啊，两个时间戳替换掉。。。
|
 |
9
hadoop 2016-03-31 19:11:49 +08:00
@chairuosen 少一步 cat 岂不是更好？
|
 |
10
yifeng OP @shsfoolish 非常感谢，我试试看
|
|
11
yifeng OP @chairuosen 非常感谢， cat 的话效率是个问题，内存负载压力很大吧，还是非常感谢
|
 |
12
SlipStupig 2016-03-31 20:54:55 +08:00 1
10G 一点也不多，给出一些方法
1.这里倒着读取日志，每次读取 10 万行，先搜索符合最后一天的日志（具体搜索算法可以用 bm 或者 kmp 反正数据量不大）记录一下尾部行号，然后接着往上读直到符合要求为止 2.bash 法，用 cat | xarg | unique | grep ""或 awk 这类 3.mysql 直接 loadfile ，建好索引，用 where 语句查询 4.mmap 读取大文件用 re2 写个 regex 匹配一下就好（内存可能会不够） 5.bozo 读取法（最神奇的算法），随机进行读取，然后记录一下，总有一天会完全读取完成的 觉得最省事的就是载入到 mysql 里面，如果你是嵌入式环境当我没说 @visaxin spark 是处理实时流量，这个场景犯不上用那么大的家伙 |
|
13
SlipStupig 2016-03-31 20:56:29 +08:00 1
v 站不能编辑真头疼，针对第一类可以采用半解析法，这样能更快速定位到行号
|
 |
14
wsy2220 2016-03-31 21:22:49 +08:00
导入数据库吧
|
 |
15
rrfeng 2016-03-31 21:37:11 +08:00 2
10G awk 毫无压力吧……
关键是 2 点：估计离文件头近还是尾近，当时间段过完之后（时间肯定是有序的啊）立刻退出，不要继续读文件了。 更高级的写法请用 seek ，跳跃式定位时间点（开始点），然后一直读到结束点。来个 awk 版本的： awk -F, '$2>TIME_END{exit}$2>TIME_START{s[$1]++}END{for(i in a)print a[i],i}' FILE | sort -k1nr | head -5 这个只要你时间段内 uid 数量不过百万肯定没问题，主要是排序的开销 如果更接近文件末尾，用 tac FILE | awk 然后把 > < 条件改一下就好…… |
 |
16
fishg 2016-03-31 21:38:25 +08:00
真不大。。
|
|
17
yifeng OP @SlipStupig 非常非常感谢，谢谢你给的思路，感谢！
|
 |
19
ToughGuy 2016-04-01 01:52:57 +08:00 1
awk -F, '$NF>=1459281600&&$NF<=1459285200{a[$1]++}END{for(i in a){printf("%s\t%s\n",a[i],i)}}' abcd.txt | sort -rn | head -n 5
|
 |
21
xuboying 2016-04-01 08:51:23 +08:00 via Android
perl flip flop 运算符轻松搞定
|
 |
22
dreammes 2016-04-01 09:41:44 +08:00
楼上正解
|
 |
23
ryd994 2016-04-01 11:24:09 +08:00 via Android
@SlipStupig mmap 不存在内存不够啊………
除非地址空间不够，相信大家服务器都是 64 位了吧 |
|
25
SlipStupig 2016-04-01 14:15:45 +08:00
@ryd994 我理解可能有点问题，感谢指正
|
Select Language