大きなテキストファイルをawkで処理するときにcatで投げ込むのと、ファイル読み込みするのどっちが速いか比較

追記が増えたので整理

経緯

2.5GBのテキストファイルを加工する必要があり、①vimで開いて加工→vim死亡②sublime textで開いて加工→sublime text死亡となったため、awkを用いて以下の様なコマンドを実行した。

$ cat sample.txt | awk '$5 ~ /((26|27|28|29|30)\/Jun|(01|02|03)\/Jul)/{ print }' > result.txt

すると

• 「catいらなくね？」と指摘
• さらにMATSUMOTO, Ryosuke (@matsumotory) | Twitter　＜　「キャッシュに入れて高速化してるんかと思った」

とコメントをもらいました。ので、どっちが速いかの検証です。

注意

• 加工の目的はログファイルからある期間だけの行を抜き取りたい
• 正規表現がいけてないのは気にしない

比較

1. awkにファイル指定するver
2. catで投げ込むver

※ 以下のような方法で計測していたところ、、、、

$ time awk '$5 ~ /((26|27|28|29|30)\/Jun|(01|02|03)\/Jul)/{ print }' sample.txt > result1.txt

Twitterにてご指摘をいただきました。

@matsumotory あ、time コマンドが cat にしか効いてない...

— Shigeki Morimoto (@shmorimo) July 22, 2015

すると、、

@tap1ra time sh -c "command" みたいにすればtimeで測れますね

— ぶてい (@buty4649) July 22, 2015

と回避策を教えていただいたので、再度計測しました。

# $ time shに渡すときシングルクォーテーションのエスケープ方法がわからず、ファイルにした
# $ time command1.shでも良かったのかも。
[root@localhost sample]# cat command1
awk '$5 ~ /((26|27|28|29|30)\/Jun|(01|02|03)\/Jul)/{ print }' sample.txt > result1.txt
# キャッシュ削除処理
[root@localhost sample]# echo 1 > /proc/sys/vm/drop_caches;echo 2 > /proc/sys/vm/drop_caches;echo 3 > /proc/sys/vm/drop_caches
[root@localhost sample]# free
             total       used       free     shared    buffers     cached
Mem:        502160      53188     448972        468        500       7716
-/+ buffers/cache:      44972     457188
Swap:      1015804          0    1015804
[root@localhost sample]# time sh command1

real    0m53.926s
user    0m0.926s
sys 0m33.158s

[root@localhost sample]# cat command2
cat sample.txt | awk '$5 ~ /((26|27|28|29|30)\/Jun|(01|02|03)\/Jul)/{ print }' > result2.txt
[root@localhost sample]# echo 1 > /proc/sys/vm/drop_caches;echo 2 > /proc/sys/vm/drop_caches;echo 3 > /proc/sys/vm/drop_caches
[root@localhost sample]# free
             total       used       free     shared    buffers     cached
Mem:        502160      52964     449196        468        236       7716
-/+ buffers/cache:      45012     457148
Swap:      1015804          0    1015804
[root@localhost sample]# time sh command2

real    0m30.789s
user    0m2.644s
sys 0m22.277s

# できあがったブツに差異はなさそう
[root@localhost sample]# md5sum result1.txt
ff6a7bf31b5ba8bdbba619258c0c4285  result1.txt
[root@localhost sample]# md5sum result2.txt
ff6a7bf31b5ba8bdbba619258c0c4285  result2.txt

結論

条件によるとは思うけど、catしたほうがはやいっぽい。

追記

中身的な分析でとても参考になるエントリ：大きなテキストファイルをawkで処理するときにcatで投げ込むと速い理由 - ablog