Linux上的“快速选择”（或类似）实现？（而不是排序|uniq-c|排序-rn|head-$N）

Question

问题：我经常需要查看在特定日志的最后一天中最频繁重复的“模式”是什么。类似于tomcat日志的一小部分：

GET /app1/public/pkg_e/v3/555413242345562/account/stats 401 954 5
GET /app1/public/pkg_e/v3/555412562561928/account/stats 200 954 97
GET /app1/secure/pkg_e/v3/555416251626403/ex/items/ 200 517 18
GET /app1/secure/pkg_e/v3/555412564516032/ex/cycle/items 200 32839 50
DELETE /app1/internal/pkg_e/v3/accounts/555411543532089/devices/bbbbbbbb-cccc-2000-dddd-43a8eabcdaa0 404 - 1
GET /app1/secure/pkg_e/v3/555412465246556/sessions 200 947 40
GET /app1/public/pkg_e/v3/555416264256223/account/stats 401 954 4
GET /app2/provisioning/v3/555412562561928/devices 200 1643 65
...

[root@srv112:~]$ N=6;cat test|awk '{print $1" "$2" ("$3")"}'\
|sed 's/[0-9a-f-]\+ (/%GUID% (/;s/\/[0-9]\{4,\}\//\/%USERNAME%\//'\
|sort|uniq -c|sort -rn|head -$N
      4 GET /app1/public/pkg_e/v3/%USERNAME%/account/stats (401)
      2 GET /app1/secure/pkg_e/v3/%USERNAME%/devices (200)
      2 GET /app1/public/pkg_e/v3/%USERNAME%/account/stats (200)
      2 DELETE /app1/internal/pkg_e/v3/accounts/%USERNAME%/devices/%GUID% (404)
      1 POST /app2/servlet/handler (200)
      1 POST /app1/servlet/handler (200)

如果我想从同一个文件中找出最频繁的用户名-我会这样做：

[root@srv112:~]$ N=4;cat test|grep -Po '(?<=\/)[0-9]{4,}(?=\/)'\
|sort|uniq -c|sort -rn|head -$N
      9 555412562561928
      2 555411543532089
      1 555417257243373
      1 555416264256223

上述方法在小型数据集上效果很好，但对于较大的输入集，排序的性能（复杂性）难以忍受（大约100台服务器，每台服务器约250个日志文件，每台日志文件约1百万行）

尝试解决以下问题：| sort | uniq-c零件可以轻松替换为awk 1-liner，将其转换为：

|awk '{S[$0]+=1}END{for(i in S)print S[i]"\t"i}'|sort -rn|head -$N

但我未能找到标准/简单且内存高效的“快速选择算法”（此处讨论）实现，以优化排序-rn |头-$N部分。我正在寻找GNU二进制文件、RPM、awk 1-liner或一些易于编译的Ansi C代码，我可以将这些代码携带/传播到数据中心，以便：

3   tasty oranges
225 magic balls
17  happy dolls
15  misty clouds
93  juicy melons
55  rusty ideas
...

进入（给定N=3）：

225 magic balls
93  juicy melons
55  rusty ideas

其他障碍：对于大型数据集，还面临一些问题：

• 日志文件位于大约100台服务器的NFS装载卷上，因此将工作并行化并拆分为较小的块是有意义的
• 上面的awk{S[$0]=1} 需要内存-每当占用16GB内存时，我就会看到它死掉（尽管有48GB的可用RAM和大量的交换…可能是我忽略了一些linux限制）

我当前的解决方案仍然不可靠，也不是最优的（正在进行中），如下所示：

find /logs/mount/srv*/tomcat/2013-09-24/ -type f -name "*_22:*"|\ 
# TODO: reorder 'find' output to round-robin through srv1 srv2 ...
#       to help 'parallel' work with multiple servers at once
parallel -P20 $"zgrep -Po '[my pattern-grep regexp]' {}\
|awk '{S[\$0]+=1}
END{for(i in S)if(S[i]>4)print \"count: \"S[i]\"\\n\"i}'"
# I throw away patterns met less than 5 times per log file
# in hope those won't pop on top of result list anyway - bogus
# but helps to address 16GB-mem problem for 'awk' below
awk '{if("count:"==$1){C=$2}else{S[$0]+=C}}
END{for(i in S)if(S[i]>99)print S[i]"\t"i}'|\
# I also skip all patterns which are met less than 100 times
# the hope that these won't be on top of the list is quite reliable
sort -rn|head -$N
# above line is the inefficient one I strive to address

Answer 1

我不确定您是否可以接受编写自己的小工具，但您可以轻松地编写一个小工具来替换|排序|uniq-c|排序-rn|head-$N-part with|排序|快速选择$N。该工具的好处是，它只逐行读取第一个排序的输出一次，并且不会在内存中保留太多数据。实际上，它只需要内存来保存当前行和顶部的$N行，然后将其打印出来。

这是源代码quickselect。cpp：

#include <iostream>
#include <string>
#include <map>
#include <cstdlib>
#include <cassert>

typedef std::multimap< std::size_t, std::string, std::greater< std::size_t > > winner_t;
winner_t winner;
std::size_t max;

void insert( int count, const std::string& line )
{
    winner.insert( winner_t::value_type( count, line ) );
    if( winner.size() > max )
        winner.erase( --winner.end() );
}

int main( int argc, char** argv )
{
    assert( argc == 2 );
    max = std::atol( argv[1] );
    assert( max > 0 );
    std::string current, last;
    std::size_t count = 0;
    while( std::getline( std::cin, current ) ) {
        if( current != last ) {
            insert( count, last );
            count = 1;
            last = current;
        }
        else ++count;
    }
    if( count ) insert( count, current );
    for( winner_t::iterator it = winner.begin(); it != winner.end(); ++it )
        std::cout << it->first << " " << it->second << std::endl;
}

编译时使用：

g++ -O3 quickselect.cpp -o quickselect

是的，我知道你要求的是开箱即用的解决方案，但我不知道任何同样有效的方法。而且上面的内容非常简单，几乎没有任何错误的余地（假设您没有弄乱单个数字命令行参数：）