我正在尝试限制并行化脚本。该脚本的目的是获取 10 个样本/文件夹内的列表,并使用列表的记录执行 samtools 命令,这是最苛刻的部分。
这是简单的版本:
for (10 items)
do
while read (list 5000 items)
do
command 1
command 2
command 3
...
samtools view -L input1 input2 |many_pipes_including_'awk' > output_file &
### TODO (WARNING): currently all processes are forked at the same time. this needs to be resolved. limit to a certain number of processes.
done
done
为了使用我们的本地服务器,该脚本包含一个可以工作的分叉命令。但它会分叉,直到服务器的所有资源都用完并且没有其他人可以处理它。
因此,我想parallel -j 50
用 gnu 并行实现类似的东西。我在待分叉的samtools
命令前面试了一下,比如
parallel -j 50 -k samtools view -L input1 input2 |many_pipes_including_'awk' > output_file &
这不起作用(也尝试使用反引号),我得到了
[main_samview] region "item_from_list" specifies an unknown reference name. Continue anyway.
或者以某种方式甚至vim
被调用。但我也不确定这是否是parallel
脚本中命令的正确位置。您是否知道如何解决此问题,从而限制分叉的进程数量?
我还想过使用基于 FIFO 的信号量实现这里提到的https://unix.stackexchange.com/questions/103920/parallelize-a-bash-for-loop/103921,但我希望gnu parallel
能做我正在寻找的为了?我检查了更多页面,例如https://zvfak.blogspot.de/2012/02/samtools-in-parallel.html和https://davetang.org/muse/2013/11/18/using-gnu-parallel/但通常不是这种组合问题。
这是脚本的更详细版本,以防其中的任何命令可能相关(我听说 awk 反引号和新行通常可能是一个问题?)
cd path_to_data
for SAMPLE_FOLDER in *
do
cd ${SAMPLE_FOLDER}/another_folder
echo "$SAMPLE_FOLDER was found"
cat list_with_products.txt | while read PRODUCT_NAME_NO_SPACES
do
PRODUCT_NAME=`echo ${PRODUCT_NAME_NO_SPACES} | tr "@" " "`
echo "$PRODUCT_NAME with white spaces"
BED_FILENAME=${BED_DIR}/intersect_${PRODUCT_NAME_NO_SPACES}_${SAMPLE_FOLDER}.bed
grep "$PRODUCT_NAME" file_to_search_through > ${TMP_DIR}/tmp.gff
cat ${TMP_DIR}/tmp.gff | some 'awk' command > ${BED_FILENAME}
samtools view -L ${BED_FILENAME} another_input_file.bam | many | pipes | with | 'awk' | and | perl | etc > resultfolder/resultfile &
### TODO (WARNING): currently all processes are forked at the same time. this needs to be resolved. limit to a certain number of processes.
rm ${TMP_DIR}/tmp.gff
done
cd (back_to_start)
done
rmdir -p ${OUTPUT_DIR}/tmp