比较2个可能使用并发/异步/并行方法的数据集

Question

我目前正在尝试改进现有的机制（比较来自2个源的数据，在perl5中实现），并希望使用perl6。

在未压缩的平面文件中，我的目标数据卷范围约为20-30 GB。就行而言，一个文件可以包含1800万到2800万行。每行大约有40-50列。

我每天进行这种类型的数据对帐，从文件读取并填充哈希值可能需要大约10分钟。大约花费 20 分钟来读取这两个文件并填充哈希。

比较过程大约需要30-50分钟，包括迭代哈希，收集所需的结果以及写入输出文件（csv，psv）。

总的来说，在一台32核双核至强cpu、256gb内存的服务器上，包括间歇性的服务器负载，执行该过程可能需要30分钟到60分钟。

现在我正试图进一步减少总处理时间。

下面是我当前使用perl5的单线程方法。

1. 逐个从2个源（假设s1和s2）获取数据，并根据键值对填充我的哈希值。数据源可以是平面 csv 或 psv 文件，也可以是数据库查询 数组结果数组，通过 DBI 客户端。数据从一开始就始终未排序。
2. 具体来说，我逐行读取文件，拆分字段，并为键，值对选择所需的索引并插入哈希。
3. 在收集数据并用所需的键/值对填充哈希之后，我开始比较和收集结果（主要是比较s2 w.r.t s1中缺少或不同的内容，反之亦然）。
4. 在Excel文件中转储输出（如果没有，则非常昂贵。的行数很大，如~100 万或更大）或简单的 CSV（廉价操作。首选方法）。

我想知道我是否可以以某种方式并行执行第一步，即一次从两个来源收集数据并填充我的全局哈希，然后继续比较和转储输出？

perl6可以提供哪些选项来处理这种情况？我已经读过关于使用perl6的并发、异步和并行操作，但我不确定哪一个可以在这里帮助我。

我真的很感激关于这个问题的任何一般指导。我希望我能很好地解释我的问题，但遗憾的是，到目前为止，我没有太多可以展示的东西？原因是我刚刚开始解决这个问题。我只是无法超越单线程方法，需要一些帮助。

谢谢。

编辑

由于我现有的问题陈述被社区认为“过于宽泛”——请允许我在下面强调我的痛点：

< li >如果可能，我想利用所有32个内核进行文件比较。我就是想不出一个策略或最初的想法。 < li >为了解决这个问题或这类问题，perl6有哪些新技术可用或适用？ < li >如果我生成2个进程来读取文件和收集数据，是否可能以数组或散列的形式返回结果？ < li >可以并行比较数据(存储在哈希中)吗？

我目前的p5比较逻辑如下图，供大家参考。希望这有所帮助，不要让这个问题关闭。

package COMP;

use strict;
use Data::Dumper;


sub comp 
{
  my ($data,$src,$tgt) = @_; 
  my $result = {};

  my $ms    = ($result->{ms} = {});
  my $mt    = ($result->{mt} = {});
  my $diff  = ($result->{diff} = {});

  foreach my $key (keys %{$data->{$src}})
  {
    my $src_val = $data->{$src}{$key};
    my $tgt_val = $data->{$tgt}{$key};

    next if ($src_val eq $tgt_val);

    if (!exists $data->{$tgt}{$key}) {
      push (@{$mt->{$key}}, "$src_val|NULL");
    }
    if (exists $data->{$tgt}{$key} && $src_val ne $tgt_val) {
      push (@{$diff->{$key}}, "$src_val|$tgt_val") 
    }
  }

  foreach my $key (keys %{$data->{$tgt}})
  {
    my $src_val = $data->{$src}{$key};
    my $tgt_val = $data->{$tgt}{$key};

    next if ($src_val eq $tgt_val);

    if (!exists $data->{$src}{$key}) {
      push (@{$ms->{$key}},"NULL|$tgt_val");
    }
  } 

  return $result;
}

1;

如果有人想尝试一下，下面是示例输出和使用的测试脚本。

脚本输出

[User@Host:]$ perl testCOMP.pl 
$VAR1 = {
          'mt' => {
                    'Source' => [
                                  'source|NULL'
                                ]
                  },
          'ms' => {
                    'Target' => [
                                  'NULL|target'
                                ]
                  },
          'diff' => {
                      'Sunday_isit' => [
                                         'Yes|No'
                                       ]
                    }
        };

测试脚本

[User@Host:]$  cat testCOMP.pl 
#!/usr/bin/env perl

use lib $ENV{PWD};
use COMP;
use strict;
use warnings;
use Data::Dumper;

my $data2 = {
  f1 => {
    Amitabh => 'Bacchan',
    YellowSun => 'Yes', 
    Sunday_isit => 'Yes',
    Source => 'source',
  },
  f2 => {
    Amitabh => 'Bacchan',
    YellowSun => 'Yes', 
    Sunday_isit => 'No',
    Target => 'target',
  },
};

my $result = COMP::comp ($data2,'f1','f2');
print Dumper $result;
[User@Host:]$ 

Answer 1

如果你有一个现有的和工作的工具链，你不必重写它来使用Perl6。它的并行机制在外部进程中也能很好地工作。考虑

全部

use v6;

my @processes = 
    [ "num1.txt", "num2.txt", "num3.txt", "num4.txt", "num5.txt" ]
        .map( -> $filename {
            [ $filename, run "perl", "num.pl", $filename, :out ];
        })
        .hyper;

say "Lazyness Here!";
my $time = time;
for @processes
{
    say "<{$_[0]} : {$_[1].out.slurp}>";
}
say time - $time, "s";

编号pl

use warnings;
use strict;

my $file = shift @ARGV;
my $start = time;
my $result = 0;

open my $in, "<", $file or die $!;
while (my $thing = <$in>)
{
    chomp $thing;
    $thing =~ s/ //g;
    $result = ($result + $thing) / 2;
}
print $result, " : ", time - $start, "s";

在我的系统上

C:\Users\holli\tmp>perl6 allnum.pl6
Lazyness Here!
<num1.txt : 7684.16347578616 : 3s>
<num2.txt : 3307.36261498186 : 7s>
<num3.txt : 5834.32817942962 : 10s>
<num4.txt : 6575.55944995197 : 0s>
<num5.txt : 6157.63100049619 : 0s>
10s

文件是这样设置的

C:\Users\holli\tmp>perl -e "for($i=0;$i<10000000;$i++) { print chr(32) ** 100, int(rand(1000)), chr(32) ** 100, qq(\n); }">num1.txt
C:\Users\holli\tmp>perl -e "for($i=0;$i<20000000;$i++) { print chr(32) ** 100, int(rand(1000)), chr(32) ** 100, qq(\n); }">num2.txt
C:\Users\holli\tmp>perl -e "for($i=0;$i<30000000;$i++) { print chr(32) ** 100, int(rand(1000)), chr(32) ** 100, qq(\n); }">num3.txt
C:\Users\holli\tmp>perl -e "for($i=0;$i<400000;$i++) { print chr(32) ** 100, int(rand(1000)), chr(32) ** 100, qq(\n); }">num4.txt
C:\Users\holli\tmp>perl -e "for($i=0;$i<5000;$i++) { print chr(32) ** 100, int(rand(1000)), chr(32) ** 100, qq(\n); }">num5.txt