时间戳

首页 > 解决方案 > 可能使用并发/异步/并行方法比较 2 个数据集

performance - 可能使用并发/异步/并行方法比较 2 个数据集

问题描述

我目前正在尝试改进现有机制（比较来自 2 个来源的数据，在 perl5 中实现），并希望改用 perl6。

在未压缩的平面文件中，我的目标数据量范围约为 20-30 GB。就行而言，一个文件可以包含 1800 万到 2800 万行。每行大约有 40-50 列。

我每天都会进行这种类型的数据核对，从文件中读取并填充散列可能需要大约 10 分钟。花了大约 20 分钟来读取这两个文件并填充哈希。

比较过程大约需要 30-50 分钟，包括迭代哈希、收集所需结果以及写入输出文件（csv、psv）。

总而言之，在具有 256GB RAM 的 32 核双至强 cpu 服务器（包括间歇性服务器负载）上，执行该过程可能需要 30 分钟到 60 分钟。

现在我正试图进一步降低总处理时间。

这是我目前使用 perl5 的单线程方法。

  1. 一个接一个地从 2 个源（比如说 s1 和 s2）获取数据，并根据键值对填充我的哈希。数据源可以是平面 csv 或 psv 文件，也可以是通过 DBI 客户端的数据库查询数组结果。数据一开始总是未排序的。
  2. 具体来说，我逐行读取文件，拆分字段，并为键、值对选择所需的索引并插入哈希。
  3. 在收集数据并使用所需的键/值对填充散列后，我开始比较和收集结果（主要比较 s2 wrt s1 中缺失或不同的内容，反之亦然）。
  4. 将输出转储到 excel 文件中（如果行数很大，如 ~100 万或更多，则成本非常高）或简单的 CSV（廉价操作。首选方法）。

我想知道是否可以以某种方式并行执行第一步，即一次从两个来源收集数据并填充我的全局哈希，然后继续比较和转储输出？

perl6 可以提供哪些选项来处理这种情况？我已经阅读了有关使用 perl6 的并发、异步和并行操作，但我不确定哪一个可以帮助我。

我真的很感激任何关于此事的一般指导。我希望我能很好地解释我的问题，但遗憾的是我到目前为止没有太多可以展示的东西？原因是我才刚刚开始解决这个问题。我只是看不到单线程方法，需要一些帮助。

谢谢。

编辑

由于社区认为我现有的问题陈述“过于宽泛” - 请允许我尝试在下面强调我的痛点：

  1. 如果可能的话，我想通过使用所有 32 个内核来进行文件比较。我只是无法提出策略或初步想法。
  2. perl6 可以使用或适用哪些类型的新技术来解决此问题或问题类型。
  3. 如果我产生 2 个进程来读取文件并收集数据 - 是否可以将结果作为数组或哈希返回？
  4. 是否可以并行比较数据（存储在哈希中）？

我目前的 p5 比较逻辑如下所示，供您参考。希望这会有所帮助，不要让这个问题关闭。

package COMP;

use strict;
use Data::Dumper;


sub comp 
{
  my ($data,$src,$tgt) = @_; 
  my $result = {};

  my $ms    = ($result->{ms} = {});
  my $mt    = ($result->{mt} = {});
  my $diff  = ($result->{diff} = {});

  foreach my $key (keys %{$data->{$src}})
  {
    my $src_val = $data->{$src}{$key};
    my $tgt_val = $data->{$tgt}{$key};

    next if ($src_val eq $tgt_val);

    if (!exists $data->{$tgt}{$key}) {
      push (@{$mt->{$key}}, "$src_val|NULL");
    }
    if (exists $data->{$tgt}{$key} && $src_val ne $tgt_val) {
      push (@{$diff->{$key}}, "$src_val|$tgt_val") 
    }
  }

  foreach my $key (keys %{$data->{$tgt}})
  {
    my $src_val = $data->{$src}{$key};
    my $tgt_val = $data->{$tgt}{$key};

    next if ($src_val eq $tgt_val);

    if (!exists $data->{$src}{$key}) {
      push (@{$ms->{$key}},"NULL|$tgt_val");
    }
  } 

  return $result;
}

1;

如果有人想尝试一下，这里是示例输出和使用的测试脚本。

脚本输出

[User@Host:]$ perl testCOMP.pl 
$VAR1 = {
          'mt' => {
                    'Source' => [
                                  'source|NULL'
                                ]
                  },
          'ms' => {
                    'Target' => [
                                  'NULL|target'
                                ]
                  },
          'diff' => {
                      'Sunday_isit' => [
                                         'Yes|No'
                                       ]
                    }
        };

测试脚本

[User@Host:]$  cat testCOMP.pl 
#!/usr/bin/env perl

use lib $ENV{PWD};
use COMP;
use strict;
use warnings;
use Data::Dumper;

my $data2 = {
  f1 => {
    Amitabh => 'Bacchan',
    YellowSun => 'Yes', 
    Sunday_isit => 'Yes',
    Source => 'source',
  },
  f2 => {
    Amitabh => 'Bacchan',
    YellowSun => 'Yes', 
    Sunday_isit => 'No',
    Target => 'target',
  },
};

my $result = COMP::comp ($data2,'f1','f2');
print Dumper $result;
[User@Host:]$

标签： performancecomparisonrakucpu-cores

解决方案

如果您有一个现有的可用工具链，则无需全部重写即可使用 Perl6。它的并行机制也适用于外部进程。考虑

allnum.pl6

use v6;

my @processes = 
    [ "num1.txt", "num2.txt", "num3.txt", "num4.txt", "num5.txt" ]
        .map( -> $filename {
            [ $filename, run "perl", "num.pl", $filename, :out ];
        })
        .hyper;

say "Lazyness Here!";
my $time = time;
for @processes
{
    say "<{$_[0]} : {$_[1].out.slurp}>";
}
say time - $time, "s";

编号.pl

use warnings;
use strict;

my $file = shift @ARGV;
my $start = time;
my $result = 0;

open my $in, "<", $file or die $!;
while (my $thing = <$in>)
{
    chomp $thing;
    $thing =~ s/ //g;
    $result = ($result + $thing) / 2;
}
print $result, " : ", time - $start, "s";

在我的系统上

C:\Users\holli\tmp>perl6 allnum.pl6
Lazyness Here!
<num1.txt : 7684.16347578616 : 3s>
<num2.txt : 3307.36261498186 : 7s>
<num3.txt : 5834.32817942962 : 10s>
<num4.txt : 6575.55944995197 : 0s>
<num5.txt : 6157.63100049619 : 0s>
10s

文件是这样设置的

C:\Users\holli\tmp>perl -e "for($i=0;$i<10000000;$i++) { print chr(32) ** 100, int(rand(1000)), chr(32) ** 100, qq(\n); }">num1.txt
C:\Users\holli\tmp>perl -e "for($i=0;$i<20000000;$i++) { print chr(32) ** 100, int(rand(1000)), chr(32) ** 100, qq(\n); }">num2.txt
C:\Users\holli\tmp>perl -e "for($i=0;$i<30000000;$i++) { print chr(32) ** 100, int(rand(1000)), chr(32) ** 100, qq(\n); }">num3.txt
C:\Users\holli\tmp>perl -e "for($i=0;$i<400000;$i++) { print chr(32) ** 100, int(rand(1000)), chr(32) ** 100, qq(\n); }">num4.txt
C:\Users\holli\tmp>perl -e "for($i=0;$i<5000;$i++) { print chr(32) ** 100, int(rand(1000)), chr(32) ** 100, qq(\n); }">num5.txt

推荐阅读