文本处理的小诀窍

文本处理的小诀窍

场景描述

• 原始文本格式：

        pid1 kid1
        pid3 kid1
        pid1 kid2
        pid1 kid3
        pid2 kid3
        pid2 kid4

• 需要统计的结果：每条pid可以跟哪几个kid关联，最终结果格式：

        pid1 kid1,kid2,kid3
        pid2 kid3,kid4
        pid3 kid1

* 原始文本大概有2亿多行

处理思路

• 将文本按第一列排序，排序后效果：

  pid1 kid1
  pid1 kid2
  pid1 kid3
  pid2 kid3
  pid2 kid4
  pid3 kid3

• 将第一列相同的行合并，效果：
  

  pid1 kid1,kid2,kid3
  pid2 kid3,kid4
  pid3 kid1
  

具体解决代码

    # sort -k 1 -n src.txt > sort1.txt
    # cat sort1.txt | php -B '
          $pidtmp = 0;
          $kidtmp = array();
      ' -R '
          list($pid, $kid) = explode("	", $argn);
          if($pid != $pidtmp) {
              echo "
".$pidtmp."	".implode(",", array_keys($kidtmp));
              $pidtmp = $pid;
              $kidtmp = array();
          }
          $kidtmp[$kid] = 1;
      '

以上两条命令可实现需求，共耗时半个小时左右

其它说明

本需求中存在一个原始文档，这个文档是通过其它程序生成的。那么存在一个疑问，为什么其它程序生成文档时，不直接生成所需要的格式（即以上示例的最终格式），而是生成一个中间格式的文档。

其实在设计之前的程序时，确实就是期望直接输出以上的最终文档，但出现一个问题就是这个最终文档要怎么存储，存mysql还是nosql。尝试过mysql，一共有2亿行结果，每一行就需要读、写一次mysql，时间成本太高。然后也尝试了redis，使用列表存储，每一行原数据，只需要写一次redis的列表，可以减少一次读，然而时间还是太长，所以才将中间结果输入到文本。再使用以上提到的2条命令将结果转换为最终格式，时间成本大降低。

如果有另外一个程序需要根据pid来搜索以上生成的最终文档，可以借鉴另一篇文章 ，入口