1

我需要搜索一个包含许多子目录的目录,每个子目录都包含文件。文件内容如下 question1234_01,其中 1234 是随机数字,后缀 _01 是包含前缀的消息数,这意味着它们是同一连续线程的一部分。

find . -name 'quest*' | cut -d_ -f1  | awk '{print $1}' | uniq -c | sort -n  

示例输出:

1 quest1234    
10 quest1523

这将搜索所有文件,然后按顺序对它们进行排序。

我想要做的是打印所有最终出现次数最多的文件,在我的示例中,有 10 个匹配项。

所以它应该只quest1523_01通过输出quest1523_11

4

3 回答 3

1

如果我理解您的意思,并且您想获取按频率排序的项目列表,则可以通过以下方式进行管道传输:

| sort | uniq -c | sort -k1nr

例如:

输入:

file1
file2
file1
file1
file3
file2
file2
file1
file4

输出:

4 file1
3 file2
1 file3
1 file4

更新

顺便说一句,你用 awk 做什么?

find . -name 'quest*' | cut -d_ -f1  | sort | uniq -c | sort -k1nr | head -n10

返回更经常找到的 10 个项目。

更新

这是一个大大改进的版本。唯一的缺点,它不是按出现次数排序的。但是,我将弄清楚如何解决它:)

find . -name 'question*' | sort \
    | sed "s#\(.*/question\([0-9]\+\)_[0-9]\+\)#\2 \1#" \
    | awk '{ cnt[$1]++; files[$1][NR] = $2 } END{for(i in files){ print i" ("cnt[i]")"; for (j in files[i]) { print "    "files[i][j] } }}'

更新

在对约 140 万条记录进行测试后(花了 23 英寸),我认为 awk 效率太低,无法处理所有分组等内容,所以我用 Python 编写了它:

#!/usr/bin/env python

import sys, re

file_re = re.compile(r"(?P<name>.*/question(?P<id>[0-9]+)_[0-9]+)")

counts = {}
files = {}

if __name__ == '__main__':
    for infile in sys.stdin:
    infile = infile.strip()
    m = file_re.match(infile)
    _name = m.group('name')
    _id = m.group('id')
    if not _id in counts:
        counts[_id] = 0
    counts[_id]+=1
    if not _id in files:
        files[_id] = []
    files[_id].append(_name)

    ## Calculate groups
    grouped = {}
    for k in counts:
    if not counts[k] in grouped:
        grouped[counts[k]] = []
    grouped[counts[k]].append(k)

    ## Print results
    for k, v in sorted(grouped.items()):
    for fg in v:
        print "%s (%s)" % (fg, counts[fg])
        for f in sorted(files[fg]):
            print "    %s" % f

它完成了拆分、分组和排序的所有工作。在同一个输入文件上运行只需要大约 3 英寸(添加了所有排序的东西)。

如果您需要更快的速度,可以尝试使用 Cython 进行编译,这通常至少快 30%。

更新 - Cython

好的,我刚尝试过 Cython。

只需将上述文件另存为calculate2.pyx. 在同一文件夹中,创建setup.py

from distutils.core import setup
from distutils.extension import Extension
from Cython.Distutils import build_ext

setup(
    cmdclass = {'build_ext': build_ext},
    ext_modules = [Extension("calculate2", ["calculate2.pyx"])]
)

还有一个启动器脚本(我命名它calculate2_run.py

import calculate2
import sys
if __name__ == '__main__':
    calculate2.runstuff(sys.stdin)

然后,确保您已安装 cython,然后运行:

python setup.py build_ext --inplace

除其他外,这应该生成一个calculate2.so文件。

现在,calculate2_run.py像往常一样使用(只需输入 find 的结果)。

我在同一个输入文件上运行它,没有任何进一步的优化:这一次,它花了 1.99''。

于 2012-10-14T21:38:33.243 回答
0

你可以这样做:

  1. 将您的初始搜索结果保存在临时文件中。
  2. 过滤掉文件数最多的前缀
  3. 在该临时文件中搜索前缀,然后删除该临时文件

.

find -name 'quest*' | sort -o tempf
target=$(awk -F_ '{print $1}' tempf\
         | uniq -c | sort -n | tail -1\
         | sed 's/[0-9]\+ //')
grep "$target" tempf
rm -f tempf

笔记:

  1. 我假设具有相同前缀的文件位于相同的子目录中。
  2. 输出包含相对于当前目录的路径。如果您只想要基本名称,只需sed 's/.*\///'grep
于 2012-10-15T13:16:24.410 回答
0

您的解决方案没有选择文件的基本名称,但我认为您正在寻找:

awk 'NF{ b=$(NF-1); v[b]=v[b] (v[b]?",":"") $NF;  a = ++c[b]} 
    a > max {max = a; n=b }  
    END {split(v[b],d, ","); for(i in d) print b "_" d[i]}' FS='[/_]'

无需对数据进行排序;全排序非常昂贵。

于 2019-05-21T10:09:53.330 回答