简单几行代码轻松实现大文本并行计算

 

关键词导读:大文本计算  并行计算 

对于大文件的处理,可以充分利用现代计算机的多核CPU,实施多线程并行计算,从而达到提速的目的。然而,要在程序语言中编写多线程并行程序,并不是一件容易的事。

要并行处理就需要将源文件分段,每个线程处理其中一段。文本文件一般是每一行对应一条记录,每一行长度不一定相同。所以,不能按行数分段,因为每次都从头遍历,起不到提高性能的目标;若按字节分段则不需要遍历,但有可能分段点正好落在行的中间,造成一行被拆进两段,导致数据错误。有效的解决办法是采用自动去头补尾的字节分段机制,即分段开始点所在的行被舍弃,分段结束点所在的行会被补齐,这样将确保每一段都由完整的行构成,不会有数据错误。另外,还有线程的管理和控制等问题,如果管理不当,则会出现越界的情况。

如果有集算器SPL就简单多了,它对多线程并行计算进行了封装,代码写起来不仅更短而且更容易理解,这样在获得高性能的同时,让程序员把注意力更多地放在计算的整体逻辑上,而不必纠缠于为了提高性能而采用的并行细节。用集算器SPL写出并行计算代码:

 

A

B

C

1

=file(“data.txt”)

/源文件

2

fork 4

=A1.cursor@t(amount;A2:4)

/分作4段并行,分别建立游标

3

 

=B2.groups(;sum(amount):am)

/遍历游标计算amount之和

4

=A2.conj().sum(am)

/汇总每个线程的结果

文本解析的时间经常比计算要长得多,有时候只要解析能够并行,计算本身是否并行并不重要。所以SPL对于读取数据提供了简单的内置并行选项,如果对数据读取次序不关心,比如分组、求和运算就不在乎次序,可以更简单地写出代码:

 

A

B

1

=file("orders.txt").cursor@mt()

/@m选项将自动根据系统配置决定并行的线程数量

2

=A1.select(month(Date)==10)

/过滤

3

=A2.groups(ID;sum(COST*WEIGHT):VALUE)

/分组、汇总(串行)

其实还有很多场景需要处理大文本计算,直接用集算器SPL处理会很简单,感兴趣可以参考:SPL结构化文本计算

集算器也是进行文件数据源处理的专业工具,可以方便地进行 TXTExcelXmlJsonCSVini 等各种文件数据的混合计算、入库以及导出等工作。桌面级计算工具,即装即用,配置简单,调试功能完善,可设置断点、单步执行,每步执行结果都可查看。语法简单,符合人的自然思维,比其他高级开发语言更简单。请参阅:文件处理的应用场景

集算器还很容易嵌入到Java应用程序中,Java如何调用SPL脚本有使用和获得它的方法。

关于集算器安装使用、获得免费授权和相关技术资料,可以参见如何使用集算器