第1部分 重新认识C语言

shell脚本中的文件操作

【文章摘要】

        编写shell脚本时，经常会涉及到对文件的操作，比如从文件中读取一行数据、向文件追加一行数据等。完成文件读写操作的方法有很多，了解各种命令下文件操作的执行情况，有助于开发人员在不同使用场景下选择合适的命令。

       本文以实际的shell脚本为例，介绍了对文件进行操作的不同方法，为相关开发工作提供了参考。

【关键词】

       shell  文件操作  读写  效率

一、概述

        在某些软件项目的需求文档中，要求程序一次性读或写的数据规模较大，可达1000万行级，这就涉及到对程序执行方法和效率等的考虑。

        本文比较了不同shell命令在对文件进行读或写操作过程中执行效率的不同，为大数据下文件操作命令的选择提供了参考。

二、文件比较算法流程介绍

        文件比较算法的流程如图1所示。

图1 文件比较算法的流程

三、不同的文件内容读取命令

1. sed逐行读取数据

        该命令在一个循环里，依次读取文件的每一行内容。

        (1) 读取方法

       举例：读取f1文件的第一行：sed –n 1p f1

                  读取f1文件的第二行：sed –n 2p f1

        该命令实现简单，逻辑清晰。

         (2) 性能问题

        如果用该命令进行大数据量(在十万数量级以上)的读取，发现程序执行效率低下，耗时较多(具体参见第3小节中的原因分析)。

2. 运用exec及read读取文件内容

        (1) 打开读文件句柄

        exec 3<testfile

        其中，3是文件描述符(文件句柄)，在linux取大于等于3的值(在aix下只能为[3,9]之间的值)，该文描述符后续用来读取一行数据和关闭文件；testfile是要打开的文件。

         (2) 读取一行数据

         read str<&3

        其中，3表示从该文件描述符读取数据；str是变量，用于保存从文件中读取的行数据。

        (3) 关闭文件句柄

          exec 3<&-

3. sed、exec及read读取文件内容测试脚本及效率比较

         测试用exec及read方式逐行读取完一个122880行的文件，而用sed方式逐行读取完一个4995行的数据，测试脚本(命名为Test1.sh)如下：

#!/bin/sh

file="Test1"

file_row_count=`wc -l ${file} | awk ‘{print $1}‘`

date

exec 3<${file}

i=0

while [ $i -lt $file_row_count ]

do

    read s1<&3

    i=$((${i}+1))

done

exec 3<&-

################################################

file="Test2"

file_row_count=`wc -l ${file} | awk ‘{print $1}‘`

date

i=1

while [ $i -le $file_row_count ]

do

    s1=`sed -n "${i}p" "${file}"`

    i=$((${i}+1))

done

date;

       测试结果如下：

       (1) 测试文件内容行数

zhou@linux:~/zhouzx/sh> wc -l Test1 Test2

122880 Test1

  4995 Test2

127875 total

       (2) 脚本执行结果

zhou@linux:~/zhouzx/sh> ./Test1.sh

Wed May 14 15:18:56 CST 2014

Wed May 14 15:18:59 CST 2014

Wed May 14 15:19:12 CST 2014

        从执行结果可以看出，用exec及read方式逐行读取完一个122880行的文件耗时3秒，而sed方式逐行读取完一个4995行的数据需要13秒。可见，运用exec及read后的文件读取效率有大幅的提升。

         (3) sed命令在大数据量(在十万数量级以上)下读取效率低下原因分析

         经分析，问题原因是sed命令读取一行数据太耗时。

         sed读取一行数据有两个耗时的地方：

         1) 每读取一行都会打开和关闭文件句柄，频繁的打开和关闭文件句柄成本高昂。

         2) sed读取某一行时有一个定位的过程，比如想要读取第10万行，则该命令执行时首先需要从头开始查找一直定位到第10万行，此种执行方式的成本也很高，并且随着数据行数的增加成本不断地增加。

       上面的两个耗时的地方在只执行一次sed命令读取一行数据时并不明显，但将该命令放在一个100万级的循环内，其效率问题就显得非常突出了。

四、不同的写文件方式

        主要有两种方式。

1. 运用>>向文件追加一行数据

        这是常用的操作方式。

2. 运用exec方式向文件追加数据

        (1) 打开写文件句柄

         exec 3>testfile

        3是文件描述符(文件句柄)，在linux下取大于等于3的值(在aix下只能为[3,9]之间的值)，该文描述符后续用来读取一行数据和关闭文件；testfile是要打开的文件。

       (2) 写入一行数据

        echo “${str}”>&3

       3表示从该文件描述符读取数据；str是变量，表示向文件描述符写入的行数据。

       (3) 关闭写文件句柄

       exec 3>&-

3. 写文件内容测试脚本及效率比较

        测试用>>方式向文件追加100万行数据，同时用exec方式向文件追加100万行数据，测试脚本(命名为Test2.sh)如下：

#!/bin/sh

str="Hello, world!"

cnt=1000000

date;

file="test3"

>${file}

i=0

while [ $i -lt $cnt ]

do

    echo "${str}">>${file}

    i=$((${i}+1))

done

date;

###################################

file="test4"

>${file}

exec 3>${file}

i=0

while [ $i -lt $cnt ]

do

    echo "${str}">&3

    i=$((${i}+1))

done

exec 3>&-

date;

        测试结果如下：

        (1) 脚本执行结果

zhou@linux:~/zhouzx/sh> ./Test2.sh

Wed May 14 15:12:47 CST 2014

Wed May 14 15:13:27 CST 2014

Wed May 14 15:14:03 CST 2014

        (2) 生成文件内容

       生成文件test3和test4中的内容完全相同，test3(或test4)文件部分截图如图2所示。

图2 test3文件部分截图

         从执行结果可以看出，用>>方式向文件追加100万行数据耗时40秒，而用exec方式向文件追加100万行数据耗时36秒。用exec方式节约下来的4秒时间是非常可观的，在大数据量下可进一步提升了程序执行效率。

五、总结

        提升程序执行效率是程序设计中一个永恒的话题，作为优秀的软件开发工程师，一定要学会在已有程序的基础之上对算法进行优化，以提升程序及软件产品的运行效率。

        本文比较了不同shell命令在对文件进行读或写操作过程中执行效率的不同，并用脚本演示了不同命令执行时间的差距。通过对本文的阅读，希望大家能够对shell环境下文件操作有更为深刻的认识。

(欢迎访问南邮BBS：http://bbs.njupt.edu.cn/)
(欢迎访问重邮BBS：http://bbs.cqupt.edu.cn/nForum/index)

(本系列文章每周更新两篇，敬请期待！本人微博：http://weibo.com/zhouzxi?topnav=1&wvr=5，微信号：245924426，欢迎关注！)