使用 GNU Parallel 提高 Linux 命令行執行效率
你是否有過這種感覺,你的主機運行速度沒有預期的那麼快?我也曾經有過這種感覺,直到我發現了 GNU Parallel。
GNU Parallel 是一個 shell 工具,可以並行執行任務。它可以解析多種輸入,讓你可以同時在多份數據上運行腳本或命令。你終於可以使用全部的 CPU 了!
如果你用過 xargs
,上手 Parallel 幾乎沒有難度。如果沒有用過,這篇教程會告訴你如何使用,同時給出一些其它的用例。
安裝 GNU Parallel
GNU Parallel 很可能沒有預裝在你的 Linux 或 BSD 主機上,你可以從軟體源中安裝。以 Fedora 為例:
$ sudo dnf install parallel
對於 NetBSD:
# pkg_add parallel
如果各種方式都不成功,請參考項目主頁。
從串列到並行
正如其名稱所示,Parallel 的強大之處是以並行方式執行任務;而我們中不少人平時仍然以串列方式運行任務。
當你對多個對象執行某個命令時,你實際上創建了一個任務隊列。一部分對象可以被命令處理,剩餘的對象需要等待,直到命令處理它們。這種方式是低效的。只要數據夠多,總會形成任務隊列;但與其只使用一個任務隊列,為何不使用多個更小規模的任務隊列呢?
假設你有一個圖片目錄,你希望將目錄中的圖片從 JEEG 格式轉換為 PNG 格式。有多種方法可以完成這個任務。可以手動用 GIMP 打開每個圖片,輸出成新格式,但這基本是最差的選擇,費時費力。
上述方法有一個漂亮且簡潔的變種,即基於 shell 的方案:
$ convert 001.jpeg 001.png
$ convert 002.jpeg 002.png
$ convert 003.jpeg 003.png
... 略 ...
對於初學者而言,這是一個不小的轉變,而且看起來是個不小的改進。不再需要圖像界面和不斷的滑鼠點擊,但仍然是費力的。
進一步改進:
$ for i in *jpeg; do convert $i $i.png ; done
至少,這一步設置好任務執行,讓你節省時間去做更有價值的事情。但問題來了,這仍然是串列操作;一張圖片轉換完成後,隊列中的下一張進行轉換,依此類推直到全部完成。
使用 Parallel:
$ find . -name "*jpeg" | parallel -I% --max-args 1 convert % %.png
這是兩條命令的組合:find
命令,用於收集需要操作的對象;parallel
命令,用於對象排序並確保每個對象按需處理。
find . -name "*jpeg"
查找當前目錄下以jpeg
結尾的所有文件。parallel
調用 GNU Parallel。-I%
創建了一個佔位符%
,代表find
傳遞給 Parallel 的內容。如果不使用佔位符,你需要對find
命令的每一個結果手動編寫一個命令,而這恰恰是你想要避免的。--max-args 1
給出 Parallel 從隊列獲取新對象的速率限制。考慮到 Parallel 運行的命令只需要一個文件輸入,這裡將速率限制設置為 1。假如你需要執行更複雜的命令,需要兩個文件輸入(例如cat 001.txt 002.txt > new.txt
),你需要將速率限制設置為 2。convert % %.png
是你希望 Parallel 執行的命令。
組合命令的執行效果如下:find
命令收集所有相關的文件信息並傳遞給 parallel
,後者(使用當前參數)啟動一個任務,(無需等待任務完成)立即獲取參數行中的下一個參數(LCTT 譯註:管道輸出的每一行對應 parallel
的一個參數,所有參數構成參數行);只要你的主機沒有癱瘓,Parallel 會不斷做這樣的操作。舊任務完成後,Parallel 會為分配新任務,直到所有數據都處理完成。不使用 Parallel 完成任務大約需要 10 分鐘,使用後僅需 3 至 5 分鐘。
多個輸入
只要你熟悉 find
和 xargs
(整體被稱為 GNU 查找工具,或 findutils
),find
命令是一個完美的 Parallel 數據提供者。它提供了靈活的介面,大多數 Linux 用戶已經很習慣使用,即使對於初學者也很容易學習。
find
命令十分直截了當:你向 find
提供搜索路徑和待查找文件的一部分信息。可以使用通配符完成模糊搜索;在下面的例子中,星號匹配任何字元,故 find
定位(文件名)以字元 searchterm
結尾的全部文件:
$ find /path/to/directory -name "*searchterm"
默認情況下,find
逐行返回搜索結果,每個結果對應 1 行:
$ find ~/graphics -name "*jpg"
/home/seth/graphics/001.jpg
/home/seth/graphics/cat.jpg
/home/seth/graphics/penguin.jpg
/home/seth/graphics/IMG_0135.jpg
當使用管道將 find
的結果傳遞給 parallel
時,每一行中的文件路徑被視為 parallel
命令的一個參數。另一方面,如果你需要使用命令處理多個參數,你可以改變隊列數據傳遞給 parallel
的方式。
下面先給出一個不那麼實際的例子,後續會做一些修改使其更加有意義。如果你安裝了 GNU Parallel,你可以跟著這個例子操作。
假設你有 4 個文件,按照每行一個文件的方式列出,具體如下:
$ echo ada > ada ; echo lovelace > lovelace
$ echo richard > richard ; echo stallman > stallman
$ ls -1
ada
lovelace
richard
stallman
你需要將兩個文件合併成第三個文件,後者同時包含前兩個文件的內容。這種情況下,Parallel 需要訪問兩個文件,使用 -I%
變數的方式不符合本例的預期。
Parallel 默認情況下讀取 1 個隊列對象:
$ ls -1 | parallel echo
ada
lovelace
richard
stallman
現在讓 Parallel 每個任務使用 2 個隊列對象:
$ ls -1 | parallel --max-args=2 echo
ada lovelace
richard stallman
現在,我們看到行已經併合並;具體而言,ls -1
的兩個查詢結果會被同時傳送給 Parallel。傳送給 Parallel 的參數涉及了任務所需的 2 個文件,但目前還只是 1 個有效參數:(對於兩個任務分別為)「ada lovelace」 和 「richard stallman」。你真正需要的是每個任務對應 2 個獨立的參數。
值得慶幸的是,Parallel 本身提供了上述所需的解析功能。如果你將 --max-args
設置為 2
,那麼 {1}
和 {2}
這兩個變數分別代表傳入參數的第一和第二部分:
$ ls -1 | parallel --max-args=2 cat {1} {2} ">" {1}_{2}.person
在上面的命令中,變數 {1}
值為 ada
或 richard
(取決於你選取的任務),變數 {2}
值為 lovelace
或 stallman
。通過使用重定向符號(放到引號中,防止被 Bash 識別,以便 Parallel 使用),(兩個)文件的內容被分別重定向至新文件 ada_lovelace.person
和 richard_stallman.person
。
$ ls -1
ada
ada_lovelace.person
lovelace
richard
richard_stallman.person
stallman
$ cat ada_*person
ada lovelace
$ cat ri*person
richard stallman
如果你整天處理大量幾百 MB 大小的日誌文件,那麼(上述)並行處理文本的方法對你幫忙很大;否則,上述例子只是個用於上手的示例。
然而,這種處理方法對於很多文本處理之外的操作也有很大幫助。下面是來自電影產業的真實案例,其中需要將一個目錄中的視頻文件和(對應的)音頻文件進行合併。
$ ls -1
12_LS_establishing-manor.avi
12_wildsound.flac
14_butler-dialogue-mixed.flac
14_MS_butler.avi
...略...
使用同樣的方法,使用下面這個簡單命令即可並行地合併文件:
$ ls -1 | parallel --max-args=2 ffmpeg -i {1} -i {2} -vcodec copy -acodec copy {1}.mkv
簡單粗暴的方式
上述花哨的輸入輸出處理不一定對所有人的口味。如果你希望更直接一些,可以將一堆命令甩給 Parallel,然後去幹些其它事情。
首先,需要創建一個文本文件,每行包含一個命令:
$ cat jobs2run
bzip2 oldstuff.tar
oggenc music.flac
opusenc ambiance.wav
convert bigfile.tiff small.jpeg
ffmepg -i foo.avi -v:b 12000k foo.mp4
xsltproc --output build/tmp.fo style/dm.xsl src/tmp.xml
bzip2 archive.tar
接著,將文件傳遞給 Parallel:
$ parallel --jobs 6 < jobs2run
現在文件中對應的全部任務都在被 Parallel 執行。如果任務數量超過允許的數目(LCTT 譯註:應該是 --jobs
指定的數目或默認值),Parallel 會創建並維護一個隊列,直到任務全部完成。
更多內容
GNU Parallel 是個強大而靈活的工具,還有很多很多用例無法在本文中講述。工具的 man 頁面提供很多非常酷的例子可供你參考,包括通過 SSH 遠程執行和在 Parallel 命令中使用 Bash 函數等。YouTube 上甚至有一個系列,包含大量操作演示,讓你可以直接從 GNU Parallel 團隊學習。GNU Paralle 的主要維護者還發布了官方使用指導手冊,可以從 Lulu.com 獲取。
GNU Parallel 有可能改變你完成計算的方式;即使沒有,也會至少改變你主機花在計算上的時間。馬上上手試試吧!
via: https://opensource.com/article/18/5/gnu-parallel
作者:Seth Kenlon 選題:lujun9972 譯者:pinewall 校對:wxy
本文轉載來自 Linux 中國: https://github.com/Linux-CN/archive