- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我在 csv 文件中有原始且未经过滤的记录(超过 1000000 条记录),我想从文件列表中过滤掉这些记录(每个文件大小超过 282MB;大约超过 2000000 条记录)。我尝试在 C 中使用 strstr。这是我的代码:
while (!feof(rawfh)) //loop to read records from raw file
{
j=0; //counter
while( (c = fgetc(rawfh))!='\n' && !feof(rawfh)) //read a line from raw file
{
line[j] = c; line[j+1] = '\0'; j++;
}
//function to extract the element in the specified column, in the CSV
extractcol(line, relcolraw, entry);
printf("\nWorking on : %s", entry);
found=0;
//read a set of 4000 bytes; this is the target file
while( fgets(buffer, 4000, dncfh)!=NULL && !found )
{
if( strstr(buffer, entry) !=NULL) //compare it
found++;
}
rewind(dncfh); //put the file pointer back to the start
// if the record was not found in the target list, write it into another file
if(!found)
{
fprintf(out, "%s,\n", entry); printf(" *** written to filtered ***");
}
else
{
found=0; printf(" *** Found ***");
}
//I hope this is the right way to null out a string
entry[0] = '\0'; line[0] ='\0';
//just to display a # on the screen, to let the user know that the program
//is still alive and running.
rawreccntr++;
if(rawreccntr>=10)
{
printf("#"); rawreccntr=0;
}
}
此程序平均需要大约 7 到 10 秒来搜索目标文件 (282 MB) 中的一项。所以,10*1000000 = 10000000 秒:(如果我决定在 25 个文件中搜索,天知道要花多少时间。
我正在考虑编写一个程序,而不是用勺子喂解决方案(grep、sed 等)。哦,抱歉,我使用的是 Windows 8(64 位、4 GB RAM、AMD 处理器 Radeon 2 核心 - 1000Mhz)。我使用 DevC++ (gcc) 来编译它。
请告诉我你的想法。
提前致谢,如果我听起来很愚蠢,抱歉。
<小时/>更新者Ali ,从评论中提取的关键信息:
我有一个原始 CSV 文件,其中包含客户电话号码和地址的详细信息。我有 CSV 格式的目标文件;请勿调用列表。我想编写一个程序来过滤掉“请勿调用”列表中不存在的电话号码。电话号码(两个文件)位于第二列中。但是,我不知道还有其他方法。我搜索了 Boyer-Moore 算法,但是无法在 C 中实现该算法。关于我应该如何搜索记录有什么建议吗?
最佳答案
已编辑
我建议您尝试使用任何 Unix/Linux 系统中的现成工具,grep 和 awk。您可能会发现它们同样快速并且更容易维护。我没有看到你的数据格式,但你说电话号码在第二列,所以你可以像这样自己获取电话号码:
awk '{print $2}' DontCallFile.csv
如果您的电话号码用双引号引起来,您可以像这样删除它们:
awk '{print $2}' DontCallFile.csv | tr -d '"'
然后您可以将 fgrep 与 -f
一起使用选项,搜索一个文件中列出的字符串是否存在于第二个文件中,如下所示:
fgrep -f file1.csv file2.csv
或者您可以通过添加 -v
反转搜索并搜索其他文件中不存在的字符串。切换到fgrep。
所以,你的最终命令可能会像这样:
fgrep -v -f <(awk '{print $2}' DontCallFile.csv | tr -d '"') file2.csv
也就是说...在 file2.csv 中搜索文件“DontCallFile.csv”第 2 列中不存在的所有字符串(-v
选项)。如果你想了解 <()
中的内容它被称为进程替换,它基本上根据运行括号内的命令的结果生成一个伪文件。我们需要一个伪文件,因为 fgrep -f
需要一个文件。
原始答案
你为什么要使用 fgetc() 呢?当然你会像这样使用 getline() :
while(getline(myfile,line ))
{
...
}
您真的从头开始读取主文件中每一行的整个“目标”文件吗?那会杀了你!为什么要以 4,000 字节为单位进行操作?如果您的一个字符串跨越了与之比较的 4,000 个字节,即前 8 个字节位于一个 4k block 中,而最后一个字节位于接下来的 4k block 中,该怎么办?
我认为,如果您花时间正确解释您想要做什么,您会在这里得到更好的帮助 - 也许可以使用 awk 或 grep 来完成(至少是象征性的),这样我们就可以看到您实际上想要做什么达到。例如,您的描述没有提及您在代码中使用的“目标”文件。
关于c - 从巨大的 .csv 文件中过滤文本,使用 C 语言,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/21953542/
今天我在一个 Java 应用程序中看到了几种不同的加载文件的方法。 文件:/ 文件:// 文件:/// 这三个 URL 开头有什么区别?使用它们的首选方式是什么? 非常感谢 斯特凡 最佳答案 file
就目前而言,这个问题不适合我们的问答形式。我们希望答案得到事实、引用或专业知识的支持,但这个问题可能会引起辩论、争论、投票或扩展讨论。如果您觉得这个问题可以改进并可能重新打开,visit the he
我有一个 javascript 文件,并且在该方法中有一个“测试”方法,我喜欢调用 C# 函数。 c# 函数与 javascript 文件不在同一文件中。 它位于 .cs 文件中。那么我该如何管理 j
需要检查我使用的文件/目录的权限 //filePath = path of file/directory access denied by user ( in windows ) File fil
我在一个目录中有很多 java 文件,我想在我的 Intellij 项目中使用它。但是我不想每次开始一个新项目时都将 java 文件复制到我的项目中。 我知道我可以在 Visual Studio 和
已关闭。此问题不符合Stack Overflow guidelines 。目前不接受答案。 这个问题似乎不是关于 a specific programming problem, a software
我有 3 个组件的 Twig 文件: 文件 1: {# content-here #} 文件 2: {{ title-here }} {# content-here #}
我得到了 mod_ldap.c 和 mod_authnz_ldap.c 文件。我需要使用 Linux 命令的 mod_ldap.so 和 mod_authnz_ldap.so 文件。 最佳答案 从 c
我想使用PIE在我的项目中使用 IE7。 但是我不明白的是,我只能在网络服务器上使用 .htc 文件吗? 我可以在没有网络服务器的情况下通过浏览器加载的本地页面中使用它吗? 我在 PIE 的文档中看到
我在 CI 管道中考虑这一点,我应该首先构建和测试我的应用程序,结果应该是一个 docker 镜像。 我想知道使用构建环境在构建服务器上构建然后运行测试是否更常见。也许为此使用构建脚本。最后只需将 j
using namespace std; struct WebSites { string siteName; int rank; string getSiteName() {
我是 Linux 新手,目前正在尝试使用 ginkgo USB-CAN 接口(interface) 的 API 编程功能。为了使用 C++ 对 API 进行编程,他们提供了库文件,其中包含三个带有 .
我刚学C语言,在实现一个程序时遇到了问题将 test.txt 文件作为程序的输入。 test.txt 文件的内容是: 1 30 30 40 50 60 2 40 30 50 60 60 3 30 20
如何连接两个tcpdump文件,使一个流量在文件中出现一个接一个?具体来说,我想“乘以”一个 tcpdump 文件,这样所有的 session 将一个接一个地按顺序重复几次。 最佳答案 mergeca
我有一个名为 input.MP4 的文件,它已损坏。它来自闭路电视摄像机。我什么都试过了,ffmpeg , VLC 转换,没有运气。但是,我使用了 mediainfo和 exiftool并提取以下信息
我想做什么? 我想提取 ISO 文件并编辑其中的文件,然后将其重新打包回 ISO 文件。 (正如你已经读过的) 我为什么要这样做? 我想开始修改 PSP ISO,为此我必须使用游戏资源、 Assets
给定一个 gzip 文件 Z,如果我将其解压缩为 Z',有什么办法可以重新压缩它以恢复完全相同的 gzip 文件 Z?在粗略阅读了 DEFLATE 格式后,我猜不会,因为任何给定的文件都可能在 DEF
我必须从数据库向我的邮件 ID 发送一封带有附件的邮件。 EXEC msdb.dbo.sp_send_dbmail @profile_name = 'Adventure Works Admin
我有一个大的 M4B 文件和一个 CUE 文件。我想将其拆分为多个 M4B 文件,或将其拆分为多个 MP3 文件(以前首选)。 我想在命令行中执行此操作(OS X,但如果需要可以使用 Linux),而
快速提问。我有一个没有实现文件的类的项目。 然后在 AppDelegate 我有: #import "AppDelegate.h" #import "SomeClass.h" @interface A
我是一名优秀的程序员,十分优秀!