并行执行管道命令

Question

考虑以下场景。我有两个程序 A 和 B。程序 A 输出到 stdout 字符串行，而程序 B 处理来自 stdin 的行。这两个程序的使用方式当然是：

foo@bar:~$ A | 乙

现在我注意到这只会吃掉一个核心；因此我想知道：

程序 A 和 B 是否共享相同的计算资源？如果是这样，有没有办法同时运行 A 和 B？

我注意到的另一件事是 A 运行得比 B 快得多，因此我想知道是否可以以某种方式运行更多 B 程序并让它们并行处理 A 输出的行。

也就是说，A 将输出它的行，并且将有 N 个程序 B 的实例将读取这些行（谁先读取它们）处理它们并将它们输出到 stdout。

所以我的最后一个问题是：

有没有办法将输出通过管道传送到多个 B 进程之间的 A 而不必处理竞争条件和其他可能出现的不一致？

Answer 1

一个问题split --filter是输出可能会混淆，所以你从进程 1 得到半行，然后从进程 2 得到半行。

GNU Parallel 保证不会出现混淆。

所以假设你想做：

 A | B | C

但是那个 B 非常慢，因此你想要并行化它。然后你可以这样做：

A | parallel --pipe B | C

默认情况下，GNU Parallel 在 \n 上拆分，块大小为 1 MB。这可以通过 --recend 和 --block 进行调整。

您可以在以下位置找到有关 GNU Parallel 的更多信息：http : //www.gnu.org/s/parallel/

您可以在 10 秒内安装 GNU Parallel：

$ (wget -O - pi.dk/3 || lynx -source pi.dk/3 || curl pi.dk/3/ || \
   fetch -o - http://pi.dk/3 ) > install.sh
$ sha1sum install.sh | grep 883c667e01eed62f975ad28b6d50e22a
12345678 883c667e 01eed62f 975ad28b 6d50e22a
$ md5sum install.sh | grep cc21b4c943fd03e93ae1ae49e28573c0
cc21b4c9 43fd03e9 3ae1ae49 e28573c0
$ sha512sum install.sh | grep da012ec113b49a54e705f86d51e784ebced224fdf
79945d9d 250b42a4 2067bb00 99da012e c113b49a 54e705f8 6d51e784 ebced224
fdff3f52 ca588d64 e75f6033 61bd543f d631f592 2f87ceb2 ab034149 6df84a35
$ bash install.sh

在http://www.youtube.com/playlist?list=PL284C9FF2488BC6D1上观看介绍视频

Answer 2

编写时A | B，两个进程已经并行运行。如果您认为它们只使用一个内核，那可能是因为 CPU 亲和性设置（也许有一些工具可以生成具有不同亲缘关系的进程）或因为一个进程不足以容纳整个内核，而系统“更喜欢”不分散计算。

要使用一个 A 运行多个 B，您需要一个工具，例如split带有以下--filter选项：

A | split [OPTIONS] --filter="B"

但是，这很容易弄乱输出中的行顺序，因为 B 作业不会以相同的速度运行。如果这是一个问题，您可能需要将第 i 个输出重定向到一个中间文件，并在最后使用cat. 反过来，这可能需要相当大的磁盘空间。

存在其他选项（例如，您可以将 B 的每个实例限制为单个行缓冲输出，等到 B 的整个“回合”完成，运行等价于reduce tosplit的map和cat临时输出），具有不同的效率水平。例如，刚刚描述的“round”选项将等待B的最慢实例完成，因此它将极大地依赖于 B 的可用缓冲；[m]buffer可能有帮助，也可能没有，这取决于操作是什么。

例子

生成前 1000 个数字并并行计算行数：

seq 1 1000 | split -n r/10 -u --filter="wc -l"
100
100
100
100
100
100
100
100
100
100

如果我们要“标记”这些行，我们会看到第一行被发送到进程#1，每第五行被发送到进程#5，依此类推。此外，在split产生第二个进程所需的时间内，第一个进程已经是其配额的好方法：

seq 1 1000 | split -n r/10 -u --filter="sed -e 's/^/$RANDOM - /g'" | head -n 10
19190 - 1
19190 - 11
19190 - 21
19190 - 31
19190 - 41
19190 - 51
19190 - 61
19190 - 71
19190 - 81

在 2 核机器上执行时seq，split和wc进程共享内核；但是仔细观察，系统将前两个进程留在 CPU0 上，并将 CPU1 分配给工作进程：

A | split [OPTIONS] --filter="B"

请特别注意，这split会占用大量 CPU。这将与 A 的需求成比例地减少；即，如果 A 是比 重的进程seq，则 的相对开销split将减少。但是，如果 A 是一个非常轻量级的过程并且 B 非常快（因此您不需要超过 2-3 个 B 来与 A 保持一致），那么与split（或通常的管道）并行化可能很不值得。