快速md5sum在bash/ubuntu上的数百万字符串

Question

我需要在ubuntu上的bash脚本中使用300万个字符串的MD5总和.300万字符串 - > 300万MD5哈希值.每个字符串实现大约需要0.005秒.那是4个多小时.有哪些更快的替代品？有没有办法将字符串组泵入md5sum？

#time md5sum running 100 times on short strings
#each iteration is ~0.494s/100 = 0.005s
time (for i in {0..99}; do md5sum <(echo $i); done) > /dev/null

real    0m0.494s
user    0m0.120s
sys     0m0.356s

一个好的解决方案将包括一个bash/Perl脚本,它从stdin中获取一个字符串列表并输出一个MD5哈希值列表.

Answer 1

使用许多md5实现中的任何一个在C(或Perl或Python)中做起来并不难 - 其核心md5是一个从字符向量到字符向量的散列函数.

因此,只需编写一个读取300万字符串的外部程序,然后逐个将它们提供给您选择的md5实现.这样你有一个程序启动而不是300万,只有这样才能节省你的时间.

FWIW在一个项目中我使用了Christophe Devine的md5实现(在C中),还有OpenSSL,我相信CPAN也会为Perl提供一些它们.

编辑:好的,无法抗拒.我提到的md5实现是例如在这个小tarball中.拿起文件md5.c并用main()底部替换(#ifdef'ed out)

int main( int argc, char *argv[] ) {
    FILE *f;
    int j;
    md5_context ctx;
    unsigned char buf[1000];
    unsigned char md5sum[16];

    if( ! ( f = fopen( argv[1], "rb" ) ) ) {
        perror( "fopen" );
        return( 1 );
    }

    while( fscanf(f, "%s", buf) == 1 ) {
        md5_starts( &ctx );
        md5_update( &ctx, buf, (uint32) strlen((char*)buf) );
        md5_finish( &ctx, md5sum );

        for( j = 0; j < 16; j++ ) {
            printf( "%02x", md5sum[j] );
        }
        printf( " <- %s\n", buf );
    }
    return( 0 );
}

构建一个简单的独立程序,例如

/tmp$ gcc -Wall -O3 -o simple_md5 simple_md5.c

然后你得到这个:

# first, generate 300,000 numbers in a file (using 'little r', an R variant)
/tmp$ r -e'for (i in 1:300000) cat(i,"\n")' > foo.txt

# illustrate the output
/tmp$ ./simple_md5 foo.txt | head
c4ca4238a0b923820dcc509a6f75849b <- 1
c81e728d9d4c2f636f067f89cc14862c <- 2
eccbc87e4b5ce2fe28308fd9f2a7baf3 <- 3
a87ff679a2f3e71d9181a67b7542122c <- 4
e4da3b7fbbce2345d7772b0674a318d5 <- 5
1679091c5a880faf6fb5e6087eb1b2dc <- 6
8f14e45fceea167a5a36dedd4bea2543 <- 7
c9f0f895fb98ab9159f51fd0297e236d <- 8
45c48cce2e2d7fbdea1afc51c7c6ad26 <- 9
d3d9446802a44259755d38e6d163e820 <- 10

# let the program rip over it, suppressing stdout
/tmp$ time (./simple_md5 foo.txt > /dev/null)

real    0m1.023s
user    0m1.008s
sys     0m0.012s
/tmp$

因此,对于300,000(短)字符串来说大概是一秒钟.

Answer 2

#~/sw/md5$ time (for i in {0..99}; do md5sum <(echo $i); done) > /dev/null

real    0m0.220s
user    0m0.084s
sys 0m0.160s
#~/sw/md5$ time (python test.py `for i in {0..99}; do echo $i; done`) > /dev/null

real    0m0.041s
user    0m0.024s
sys 0m0.012s

对于这个小样本，python 代码的速度是它的五倍，对于较大的样本，由于缺少 spawns，差异要大得多。1k 个样本是 0.033s 到 2.3s :) 脚本是：

#!/usr/bin/env python
import hashlib, sys

for arg in sys.argv[1:]:
  print hashlib.md5(arg).hexdigest()