ruby - 解析大型标准输入 ruby

Question

我需要编写脚本来解析大型输入数据 (30GB)。我需要从 stdin 文本中提取所有数字并按顺序 desc 输出。

使用示例: cat text_file_30gb.txt |脚本

现在我用于解析:

numbers = []
$stdin.each_line do |line|
  numbers += line.scan(/\d+/).map(&:to_i)
end
numbers.uniq!.sort!.reverse!

但我试图将文本从 60MB 文件传递​​到脚本，它解析了 50 分钟

有加速脚本的方法吗？

更新。分析结果:

 %self      total      self      wait     child     calls  name
 95.42   5080.882  4848.293     0.000   232.588        1   IO#each_line
 3.33    169.246   169.246     0.000     0.000   378419   String#scan
 0.26     15.148    13.443     0.000     1.705   746927   <Class::Time>#now
 0.18      9.310     9.310     0.000     0.000   378422   Array#uniq!
 0.15     14.446     7.435     0.000     7.011   378423   Array#map
 0.14      7.011     7.011     0.000     0.000  8327249   String#to_i
 0.10      5.179     5.179     0.000     0.000   378228   Array#sort!
 0.03      1.508     1.508     0.000     0.000   339416   String#%
 0.03      1.454     1.454     0.000     0.000   509124   Symbol#to_s
 0.02      0.993     0.993     0.000     0.000    48488   IO#write
 0.02      1.593     0.945     0.000     0.649   742077   Numeric#quo
 0.01      0.649     0.649     0.000     0.000   742077   Fixnum#fdiv
 0.01      0.619     0.619     0.000     0.000   509124   String#intern
 0.01      0.459     0.459     0.000     0.000   315172   Fixnum#to_s
 0.01      0.453     0.453     0.000     0.000   746927   Fixnum#+
 0.01      0.383     0.383     0.000     0.000    72732   Array#reject
 0.01     16.100     0.307     0.000    15.793    96976  *Enumerable#inject
 0.00     15.793     0.207     0.000    15.585   150322  *Array#each
 ...

Answer 1

感谢您提出的出色问题。

我挖了半天。但是，我认为这是将 50 分钟标记减少到 11 分钟的快速修复方法。至少快 4.5 倍。

require 'ruby-prof'

def profile(&block)
  RubyProf::FlatPrinter.new(RubyProf.profile(&block)).print($stdout)
end

numbers = []

profile do
  $stdin.each_line do |line|
    line.scan(/\d+/) {|digit| numbers << digit.to_i }
  end

  numbers.uniq!.sort!.reverse!
end

原因很简单。如你所见+= on array 分配新数组而不是将新值推送到现有引用。快速修复是使用 <<反而。一个巨大的胜利，消除了整个滞后。

如果您处理较大的文件集，仍然会出现一些严重的故障。我脑子里什么都没有。