Comparar colunas de dois arquivos

jwojwo
(usa CentOS)

Enviado em 23/01/2013 - 13:20h

Pessoal,

Preciso comparar dois arquivos, cada um contendo aproximadamente 3,5 milhões de linhas (irá gerar aprox. 10^12 combinações). A partir da primeira coluna do primeiro arquivo, irei compará-la à primeira do segundo e imprimir a quarta coluna (do 2), caso essa exista.

Por exemplo:
Arq1
p0001
p0002
Arq2
p0001 lala xrx
p0002 lele rxr s0002

Neste caso, apenas o resultado abaixo me interessa:
s0002

Tentei três formas de resolver o problema:

1) Usando grep:

grep -f arq1.txt arq2.txt | awk '$4 ~ /^s/ {print $4}' > output.txt 

Não sei se é a solução apropriada pois está utilizando muito espaço no swap (17gb) e demorando várias horas para terminar.

2) Usando um shell script:

while read arq1t.txt

  do

  line2=`grep $line1 <arq2.txt`

  if ($line2<>"")

     then

     IS=`echo $line2 | awk '{print $4}' > output.txt`

  endif

done <arq1.txt 

Mas está dando erro na última linha.

3) Usando um script em AWK:

#!/bin/awk -f

BEGIN {

	while((getline line1 < "arq1.txt")>0) {

		while((getline line2 < "arq2.txt")>0) {

			split(line2,l,/\t/)

			if(l[1] ~ line1) {

				if(l[4] ~ /^s/) {			

					saida = sprintf("s%\n",l[4])

					print saida > "output.txt"

				}	

			}

		}

	}

} 

Neste, provavelmente pelo uso do getline aninhado, ele só dá uma volta no primeiro While e saí do loop.

Alguma sugestão tanto em termos de eficiência quanto para consertar os erros?

Desde já agradeço,

removido
(usa Nenhuma)

Enviado em 23/01/2013 - 13:32h

while read line1

  do

  line2=$(grep $line1 arq2.txt)

  if [ ${#line2} -gt 0 ]

     then

        echo $line2 | awk '{print $4}' >> output.txt

  fi

done < arq1.txt

 

BOA SORTE!!!

paulo1205
(usa Ubuntu)

Enviado em 23/01/2013 - 19:43h

Se o primeiro arquivo tem 3,5M linhas, eu fico com pena de rodar 3,5M de greps sobre o segundo arquivo, que também tem 3,5M linhas, assim como também fazer 3,5M invocações do awk apenas para imprimir a quarta coluna de uma linha já conhecida.

Se o a primeira linha do primeiro arquivo for composta de campos suficientemente pequenos, eu faria um script em Perl (poderia ser awk, mas eu não o conheço tão bem quanto Perl) que:

1) Lesse o primeiro arquivo e guardasse os elementos da primeira coluna num array associativo.
2) Lesse o segundo arquivo, vendo se o elemento da primeira coluna se cada linha lida existe no array associativo e se a quarta coluan existe. Se sim, imprime a quarta coluna da linha lida.

Como eu disse, o primeiro arquivo não poderia ser muito grande, Supondo que se possa gastar cerca de 1GB de RAM com o script, o primeiro elemento de cada linha do primeiro arquivo teria de ter um tamanho médio um pouco menor do que trezentos caracteres (300*3,5M=1,05G).

Mas há um jeito mais prosaico, sem precisar de arrays associativos nem coisa parecida, mas tão somente sort e o próprio shell: ordene os dois arquivos pela primeira coluna (se quiser, pode já suprimir do segundo arquivo as linhas que não tiverem a quarta coluna antes de ordenar, para poupar tempo), gerando um novo par de arquivos ordenados. Depois disso, você conseguirá, com o próprio shell, percorrer paralelamente percorrer ambos os novos arquivos uma única vez, pulando os elementos de cada linha lida de um deles enquanto eles forem menores do que o elemento de comparação do outro; quando forem iguais, você imprime a quarta coluna da linha que tiver sido lida do novo segundo arquivo.