- iOS/Objective-C 元类和类别
- objective-c - -1001 错误,当 NSURLSession 通过 httpproxy 和/etc/hosts
- java - 使用网络类获取 url 地址
- ios - 推送通知中不播放声音
我有大量固定字符串(约 500 万),我想在很多文件中搜索。
我看到使用有限模式集进行字符串搜索的两种最常用的算法是:Aho-Corasick 和 Commentz-Walter。
我的目标是找到一个完全匹配而不是模式(这意味着字符串列表不是正则表达式)。
经过一些研究,我发现很多文章指出 Commentz-Walter 在现实世界场景中往往比 Aho-Corasick 更快(Article1,Article2),它也是 背后的算法GNU-grep.
我也尝试以并行方式使用 grep -F
(取自 here ):
free=$(awk '/^((Swap)?Cached|MemFree|Buffers):/ { sum += $2 }
END { print sum }' /proc/meminfo)
percpu=$((free / 200 / $(parallel --number-of-cores)))k
parallel --pipepart -a regexps.txt --block $percpu --compress \
grep -F -f - -n bigfile
看来问题太大了。我收到此错误:
grep: memory exhausted
---更新---
根据一些评论,我尝试测试不同的 Aho-Corasick c\c++ 实现(Komodia、Cjgdev、chasan),但没有一个能够管理 500 万个模式集示例(全部有内存问题(段错误/堆栈溢出))——它们在小集合上工作。示例文件由以下代码生成:
with open(r"C:\very_large_pattern", 'w') as out:
for _ in range(0, 5000000):
out.write(str(uuid.uuid4()) + '\n')
有人对可以处理这些数字的实现有什么建议吗?
最佳答案
这是一个应该很快的简单解决方案。
将要搜索的固定长度字符串逐行放入文件中,并对文件进行排序。将该文件称为 S。
对于您要搜索的每个文件,执行以下操作:
如果要搜索的字符串的长度为 k,则将文件分成每个可能的长度为 k 的字符串。将该文件称为 B。例如,如果 k = 5,则要搜索的文件是:
abcdefgh
123
123456
损坏的字符串文件将是:
abcde
bcdef
cdefg
defgh
12345
23456
现在,为了知道每个损坏的字符串在原始文件中的位置,将其行号和列号附加到文件 B 中。例如,
abcde 1 1
bcdef 1 2
cdefg 1 3
defgh 1 4
12345 3 1
23456 3 2
对B进行排序,并将其与S合并。将生成的文件称为M。例如,如果S是:
23456
cdefg
M 将是:
12345 3 1
23456
23456 3 2
abcde 1 1
bcdef 1 2
cdefg
cdefg 1 3
defgh 1 4
从 M 中检索在文件中找到的所有出现的 S 的字符串。例如:
23456
23456 3 2
cdefg
cdefg 1 3
如果一个字符串有多次出现,你可以得到所有的。
我不知道您使用的是什么操作系统,但上述步骤很可能可以使用 sort、awk、grep 等命令执行。
关于algorithm - 在大量文件中搜索固定字符串的静态列表,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/50256381/
我需要将文本放在 中在一个 Div 中,在另一个 Div 中,在另一个 Div 中。所以这是它的样子: #document Change PIN
奇怪的事情发生了。 我有一个基本的 html 代码。 html,头部, body 。(因为我收到了一些反对票,这里是完整的代码) 这是我的CSS: html { backgroun
我正在尝试将 Assets 中的一组图像加载到 UICollectionview 中存在的 ImageView 中,但每当我运行应用程序时它都会显示错误。而且也没有显示图像。 我在ViewDidLoa
我需要根据带参数的 perl 脚本的输出更改一些环境变量。在 tcsh 中,我可以使用别名命令来评估 perl 脚本的输出。 tcsh: alias setsdk 'eval `/localhome/
我使用 Windows 身份验证创建了一个新的 Blazor(服务器端)应用程序,并使用 IIS Express 运行它。它将显示一条消息“Hello Domain\User!”来自右上方的以下 Ra
这是我的方法 void login(Event event);我想知道 Kotlin 中应该如何 最佳答案 在 Kotlin 中通配符运算符是 * 。它指示编译器它是未知的,但一旦知道,就不会有其他类
看下面的代码 for story in book if story.title.length < 140 - var story
我正在尝试用 C 语言学习字符串处理。我写了一个程序,它存储了一些音乐轨道,并帮助用户检查他/她想到的歌曲是否存在于存储的轨道中。这是通过要求用户输入一串字符来完成的。然后程序使用 strstr()
我正在学习 sscanf 并遇到如下格式字符串: sscanf("%[^:]:%[^*=]%*[*=]%n",a,b,&c); 我理解 %[^:] 部分意味着扫描直到遇到 ':' 并将其分配给 a。:
def char_check(x,y): if (str(x) in y or x.find(y) > -1) or (str(y) in x or y.find(x) > -1):
我有一种情况,我想将文本文件中的现有行包含到一个新 block 中。 line 1 line 2 line in block line 3 line 4 应该变成 line 1 line 2 line
我有一个新项目,我正在尝试设置 Django 调试工具栏。首先,我尝试了快速设置,它只涉及将 'debug_toolbar' 添加到我的已安装应用程序列表中。有了这个,当我转到我的根 URL 时,调试
在 Matlab 中,如果我有一个函数 f,例如签名是 f(a,b,c),我可以创建一个只有一个变量 b 的函数,它将使用固定的 a=a1 和 c=c1 调用 f: g = @(b) f(a1, b,
我不明白为什么 ForEach 中的元素之间有多余的垂直间距在 VStack 里面在 ScrollView 里面使用 GeometryReader 时渲染自定义水平分隔线。 Scrol
我想知道,是否有关于何时使用 session 和 cookie 的指南或最佳实践? 什么应该和什么不应该存储在其中?谢谢! 最佳答案 这些文档很好地了解了 session cookie 的安全问题以及
我在 scipy/numpy 中有一个 Nx3 矩阵,我想用它制作一个 3 维条形图,其中 X 轴和 Y 轴由矩阵的第一列和第二列的值、高度确定每个条形的 是矩阵中的第三列,条形的数量由 N 确定。
假设我用两种不同的方式初始化信号量 sem_init(&randomsem,0,1) sem_init(&randomsem,0,0) 现在, sem_wait(&randomsem) 在这两种情况下
我怀疑该值如何存储在“WORD”中,因为 PStr 包含实际输出。? 既然Pstr中存储的是小写到大写的字母,那么在printf中如何将其给出为“WORD”。有人可以吗?解释一下? #include
我有一个 3x3 数组: var my_array = [[0,1,2], [3,4,5], [6,7,8]]; 并想获得它的第一个 2
我意识到您可以使用如下方式轻松检查焦点: var hasFocus = true; $(window).blur(function(){ hasFocus = false; }); $(win
我是一名优秀的程序员,十分优秀!