何不 Ack?Grep, Ack, Ag的搜索效率对比
前言
我(@董伟明9 )经常看到很多程序员, 运维在代码搜索上使用ack, 甚至ag(the_silver_searcher ), 而我工作中95%都是用grep,剩下的是ag。 我觉得很有必要聊一聊这个话题。
我以前也是一个运维, 我当时也希望找到最好的最快的工具用在工作的方方面面。 但是我很好奇为什么ag和ack没有作为linux发行版的内置部分。 内置的一直是grep。 我当初的理解是受各种开源协议的限制, 或者发行版的boss个人喜好。 后来我就做了实验, 研究了下他们到底谁快。 当时的做法也无非跑几个真实地线上log看看用时。 然后我也有了我的一个认识: 大部分时候用grep也无妨, 日志很大的时候用ag。
ack原来的域名是betterthangrep.com, 现在是beyondgrep.com。 好吧,其实我理解使用ack的同学, 也理解ack产生的原因。 这里就有个故事。
最开始我做运维使用shell, 经常做一些分析日志的工作。 那时候经常写比较复杂的shell代码实现一些特定的需求。 后来来了一位会perl的同学。 原来我写shell做一个事情, 写了20多行shell代码, 跑一次大概5分钟, 这位同学来了用perl改写, 4行, 一分钟就能跑完。 亮瞎我们的眼, 从那时候开始, 我就觉得需要学perl,以至于后来的python。
perl是天生用来文本解析的语言, ack的效率确实很高。 我想着可能是大家认为ack要更快更合适的理由吧。 其实这件事要看场景。 我为什么还用比较’土’的grep呢?
看一下这篇文章, 希望给大家点启示。不耐烦看具体测试过程的同学,可以直接看结论:
- 在搜索的总数据量较小的情况下, 使用grep, ack甚至ag在感官上区别不大
- 搜索的总数据量较大时, grep效率下滑的很多, 完全不要选
- ack在某些场景下没有grep效果高(比如使用-v搜索中文的时候)
- 在不使用ag没有实现的选项功能的前提下, ag完全可以替代ack/grep
实验条件
PS: 严重声明, 本实验经个人实践, 我尽量做到合理。 大家看完觉得有异议可以试着其他的角度来做。 并和我讨论。
-
我使用了公司的一台开发机(gentoo)
-
我测试了纯英文和汉语2种, 汉语使用了结巴分词的字典, 英语使用了miscfiles中提供的词典
# 假如你是ubuntu: sudo apt-get install miscfiles wget https://raw.githubusercontent.com/fxsjy/jieba/master/extra_dict/dict.txt.big
实验前的准备
我会分成英语和汉语2种文件, 文件大小为1MB, 10MB, 100MB, 500MB, 1GB, 5GB。 没有更多是我觉得在实际业务里面不会单个日志文件过大的。 也就没有必要测试了(就算有, 可以看下面结果的趋势)。用下列程序深入测试的文件:
cat make_words.py # coding=utf-8 import os import random from cStringIO import StringIO EN_WORD_FILE = '/usr/share/dict/words' CN_WORD_FILE = 'dict.txt.big' with open(EN_WORD_FILE) as f: EN_DATA = f.readlines() with open(CN_WORD_FILE) as f: CN_DATA = f.readlines() MB = pow(1024, 2) SIZE_LIST = [1, 10, 100, 500, 1024, 1024 * 5] EN_RESULT_FORMAT = 'text_{0}_en_MB.txt' CN_RESULT_FORMAT = 'text_{0}_cn_MB.txt' def write_data(f, size, data, cn=False): total_size = 0 while 1: s = StringIO() for x in range(10000): cho = random.choice(data) cho = cho.split()[0] if cn else cho.strip() s.write(cho) s.seek(0, os.SEEK_END) total_size += s.tell() contents = s.getvalue() f.write(contents + '\n') if total_size > size: break f.close() for index, size in enumerate([ MB, MB * 10, MB * 100, MB * 500, MB * 1024, MB * 1024 * 5]): size_name = SIZE_LIST[index] en_f = open(EN_RESULT_FORMAT.format(size_name), 'a+') cn_f = open(CN_RESULT_FORMAT.format(size_name), 'a+') write_data(en_f, size, EN_DATA) write_data(cn_f, size, CN_DATA, True)
好吧, 效率比较低是吧? 我自己没有vps, 公司服务器我不能没事把全部内核的cpu都占满(不是运维好几年了)。 假如你不介意htop的多核cpu飘红, 可以这样,耗时就是各文件生成的时间短板。这是生成测试文件的多进程版本:
# coding=utf-8 import os import random import multiprocessing from cStringIO import StringIO EN_WORD_FILE = '/usr/share/dict/words' CN_WORD_FILE = 'dict.txt.big' with open(EN_WORD_FILE) as f: EN_DATA = f.readlines() with open(CN_WORD_FILE) as f: CN_DATA = f.readlines() MB = pow(1024, 2) SIZE_LIST = [1, 10, 100, 500, 1024, 1024 * 5] EN_RESULT_FORMAT = 'text_{0}_en_MB.txt' CN_RESULT_FORMAT = 'text_{0}_cn_MB.txt' inputs = [] def map_func(args): def write_data(f, size, data, cn=False): f = open(f, 'a+') total_size = 0 while 1: s = StringIO() for x in range(10000): cho = random.choice(data) cho = cho.split()[0] if cn else cho.strip() s.write(cho) s.seek(0, os.SEEK_END) total_size += s.tell() contents = s.getvalue() f.write(contents + '\n') if total_size > size: break f.close() _f, size, data, cn = args write_data(_f, size, data, cn) for index, size in enumerate([ MB, MB * 10, MB * 100, MB * 500, MB * 1024, MB * 1024 * 5]): size_name = SIZE_LIST[index] inputs.append((EN_RESULT_FORMAT.format(size_name), size, EN_DATA, False)) inputs.append((CN_RESULT_FORMAT.format(size_name), size, CN_DATA, True)) pool = multiprocessing.Pool() pool.map(map_func, inputs, chunksize=1)
等待一段时间后,测试的文件生成了。目录下是这样的:
$ls -lh total 14G -rw-rw-r-- 1 vagrant vagrant 2.2K Mar 14 05:25 benchmarks.ipynb -rw-rw-r-- 1 vagrant vagrant 8.2M Mar 12 15:43 dict.txt.big -rw-rw-r-- 1 vagrant vagrant 1.2K Mar 12 15:46 make_words.py -rw-rw-r-- 1 vagrant vagrant 101M Mar 12 15:47 text_100_cn_MB.txt -rw-rw-r-- 1 vagrant vagrant 101M Mar 12 15:47 text_100_en_MB.txt -rw-rw-r-- 1 vagrant vagrant 1.1G Mar 12 15:54 text_1024_cn_MB.txt -rw-rw-r-- 1 vagrant vagrant 1.1G Mar 12 15:51 text_1024_en_MB.txt -rw-rw-r-- 1 vagrant vagrant 11M Mar 12 15:47 text_10_cn_MB.txt -rw-rw-r-- 1 vagrant vagrant 11M Mar 12 15:47 text_10_en_MB.txt -rw-rw-r-- 1 vagrant vagrant 1.1M Mar 12 15:47 text_1_cn_MB.txt -rw-rw-r-- 1 vagrant vagrant 1.1M Mar 12 15:47 text_1_en_MB.txt -rw-rw-r-- 1 vagrant vagrant 501M Mar 12 15:49 text_500_cn_MB.txt -rw-rw-r-- 1 vagrant vagrant 501M Mar 12 15:48 text_500_en_MB.txt -rw-rw-r-- 1 vagrant vagrant 5.1G Mar 12 16:16 text_5120_cn_MB.txt -rw-rw-r-- 1 vagrant vagrant 5.1G Mar 12 16:04 text_5120_en_MB.txt
确认版本
$ ack --version # ack在ubuntu下叫`ack-grep` ack 2.12 Running under Perl 5.16.3 at /usr/bin/perl Copyright 2005-2013 Andy Lester. This program is free software. You may modify or distribute it under the terms of the Artistic License v2.0. $ ag --version ag version 0.21.0 $ grep --version grep (GNU grep) 2.14 Copyright (C) 2012 Free Software Foundation, Inc. License GPLv3+: GNU GPL version 3 or later <http://gnu.org/licenses/gpl.html>. This is free software: you are free to change and redistribute it. There is NO WARRANTY, to the extent permitted by law. Written by Mike Haertel and others, see <http://git.sv.gnu.org/cgit/grep.git/tree/AUTHORS>.
实验设计
为了不产生并行执行的相互响应, 我还是选择了效率很差的同步执行, 我使用了ipython提供的%timeit。 测试程序的代码如下:
import re import glob import subprocess import cPickle as pickle from collections import defaultdict IMAP = { 'cn': ('豆瓣', '小明明'), 'en': ('four', 'python') } OPTIONS = ('', '-i', '-v') FILES = glob.glob('text_*_MB.txt') EN_RES = defaultdict(dict) CN_RES = defaultdict(dict) RES = { 'en': EN_RES, 'cn': CN_RES } REGEX = re.compile(r'text_(\d+)_(\w+)_MB.txt') CALL_STR = '{command} {option} {word} {filename} > /dev/null 2>&1' for filename in FILES: size, xn = REGEX.search(filename).groups() for word in IMAP[xn]: _r = defaultdict(dict) for command in ['grep', 'ack', 'ag']: for option in OPTIONS: rs = %timeit -o -n10 subprocess.call(CALL_STR.format(command=command, option=option, word=word, filename=filename), shell=True) best = rs.best _r[command][option] = best RES[xn][word][size] = _r # 存起来 data = pickle.dumps(RES) with open('result.db', 'w') as f: f.write(data)
温馨提示, 这是一个灰常耗时的测试。 开始执行后 要喝很久的茶…
我来秦皇岛办事完毕(耗时超过1一天), 继续我们的实验。
我想要的效果
我想工作的时候一般都是用到不带参数/带-i(忽略大小写)/-v(查找不匹配项)这三种。 所以这里测试了:
- 英文搜索/中文搜索
- 选择了2个搜索词(效率太低, 否则可能选择多个)
- 分别测试’’/’-i’/’-v’三种参数的执行
- 使用%timeit, 每种条件执行10遍, 选择效率最好的一次的结果
- 每个图代码一个搜索词, 3搜索命令, 一个选项在搜索不同大小文件时的效率对比
我先说结论
- 在搜索的总数据量较小的情况下, 使用grep, ack甚至ag在感官上区别不大
- 搜索的总数据量较大时, grep效率下滑的很多, 完全不要选
- ack在某些场景下没有grep效果高(比如使用-v搜索中文的时候)
- 在不使用ag没有实现的选项功能的前提下, ag完全可以替代ack/grep
渲染图片的gist可以看这里benchmarks.ipynb。 它的数据来自上面跑的结果在序列化之后存入的文件。
原文:http://www.dongwm.com/archives/ack/ 作者: 董伟明