web-dev-qa-db-ja.com

ファイルの各行のmd5sumを計算する

次のようなファイルがあるとします。

a
b
c

次のような出力を取得するにはどうすればよいですか？

a       0cc175b9c0f1b6a831c399e269772661
b       92eb5ffee6ae2fec3ad71c777531578f
c       4a8a08f09d37b73795649038408b5f33

効率的な方法で？ （入力は80 GB）

hashsumgnu-parallel
5
Ole Tange

これはPerlのワンライナーにすぎません：

head 80gb | Perl -MDigest::MD5=md5_hex -nlE'say"$_\t".md5_hex($_)'
a       0cc175b9c0f1b6a831c399e269772661
b       92eb5ffee6ae2fec3ad71c777531578f
c       4a8a08f09d37b73795649038408b5f33
d       8277e0910d750195b448797616e091ad
e       e1671797c52e15f763380b45e841ec32
f       8fa14cdd754f91cc6554c9e71929cce7
g       b2f5ff47436671b6e533d8dc3614845d
h       2510c39011c5be704182423e3a695e91
i       865c0c0b4ab0e063e5caa3387c1a8741
j       363b122c528f54df4a0446b6bab05515

出力を保存する必要があり、この巨大なチャンクを噛んでいる間に素敵な進行状況バーが必要な場合：

Sudo apt install pv          #ubuntu/debian
Sudo yum install pv          #redhat/Fedora
pv 80gb | Perl -MDigest::MD5=md5_hex -nlE'say"$_\t".md5_hex($_)' | gzip -1 > 80gb-result.gz
2
Kjetil S.

@Ole Tangeのアプローチに加えて、最適化されたソリューション（Pythonの部分）を次に示します。

_md5summer.py_スクリプト：

_#!/usr/bin/python

import sys
import hashlib

for r in sys.stdin:
    if r.strip():
        h = hashlib.md5()
        h.update(r.encode());
        print r, '\t', h.hexdigest()
_

最適化のポイント：

  • hashlib-非推奨のライブラリの代わりに実際のライブラリを使用
  • _for r in sys.stdin:_-リストの代わりにジェネレータのようなオブジェクトから読み取る
  • if r.strip():-hashlibメソッドの冗長な呼び出しを避けるために空のレコードをチェックします

使用法：

_parallel --pipepart -a my80gb-file -S server1,server2 --block 1 /path_to/md5summer.py
_

出力例：

_a   0cc175b9c0f1b6a831c399e269772661
b   92eb5ffee6ae2fec3ad71c777531578f
c   4a8a08f09d37b73795649038408b5f33
d   8277e0910d750195b448797616e091ad
f   8fa14cdd754f91cc6554c9e71929cce7
e   e1671797c52e15f763380b45e841ec32
g   b2f5ff47436671b6e533d8dc3614845d
h   2510c39011c5be704182423e3a695e91
i   865c0c0b4ab0e063e5caa3387c1a8741
j   363b122c528f54df4a0446b6bab05515
k   8ce4b16b22b58894aa86c421e8759df3
l   2db95e8e1a9267b7a1188556b2013b33
m   6f8f57715090da2632453988d9a1501b
n   7b8b965ad4bca0e41ab51de7b31363a1
p   83878c91171338902e0fe0fb97a8c47a
o   d95679752134a2d9eb61dbd7b91c4bcc
q   7694f4a66316e53c8cdd9d9954bd611d
r   4b43b0aee35624cd95b910189b3dc231
s   03c7c0ace395d80182db07ae2c30f034
t   e358efa489f58062f10dd7316b65649e
u   7b774effe4a349c6dd82ad4f4f21d34c
v   9e3669d19b675bd57058fd4664205d2a
w   f1290186a5d0b1ceab27f4e77c0c5d68
x   9dd4e461268c8034f5c8564e155c67a6
y   415290769594460e2e485922904f345d
z   fbade9e36a3f36d3d676c1b808451dd7
...
_
3
RomanPerekhrest

最初にシングルスレッドプログラム（md5er）、それは入力を与えられた正しい出力を生成することができます：

#!/usr/bin/python

import sys
import hashlib

for r in sys.stdin:
  print r[:-1], '\t', hashlib.md5(r[:-1]).hexdigest()

次に、GNU Parallelを使用して、計算サーバーに配布できるチャンクに入力を分割します。

parallel --pipepart -a my80gb-file -Sworker1,worker2,worker3,: --block -10 md5er
2
Ole Tange