1.背景

工作中使用MapReduce任务导出一批含有路径的文件，共计行数300W+，需要检测文件是否在对应的服务器中存在，而文件所在的服务器并非hadoop集群的服务器，因此打算采用bash脚本进行。具体的方法如下(可直接看方法2,方法1效率较低)：

2. 采用的方法

a. 方法1

原本打算使用如下脚本，进行简单验证：

1. 
   
2. !/bin/bash
   
3. count=0
   
4. cat oriTest.txt | while read data
   
5. do
   
6. count=$(( $count+1 ))
   
7. echo $count
   
8. dir=echo "$data" | awk -F "\t" '{print $5}'
   
9. if [ -e $dir ];then
   
10. echo "$data" >> exist.txt
    
11. else
    
12. echo "$data" >> noexist.txt
    
13. fi
    
14. done

复制代码

原始数据格式如下：

name mark id dir

运行时发现处理5000行需要将近4、5分钟的时间(机器为8核)，果断不行啊，随后打算采用多进程的方法来执行，见方法2

b. 方法2

主要是通过将大文件分为小文件，然后对小文件进行后台遍历读取，脚本如下：

1. 
   
2. !/bin/bash
   
3. source ~/.bashrc

复制代码

判断路径是否存在

1. 
   
2. readdata(){
   
3. cat $1 | while read data
   
4. do
   
5. dir=echo "$data" | awk -F "\t" '{print $5}'
   
6. if [ -e $dir ];then
   
7. echo "$data" >> "exist_$1.txt"
   
8. else
   
9. echo "$data" >> "noexist_$1.txt"
   
10. fi
    
11. done
    
12. }

复制代码

大文件切分为小文件，生成文件名为xaa,axb等(可以自己命名文件)

split -l 10000 oriTest.txt

declare -a files # 声明数组

files=($(ls x*)) # 分割后的小文件名保存数组

遍历，并后台执行

1. 
   
2. for i in ${files[@]};do
   
3. echo $i
   
4. readdata $i &
   
5. done

复制代码