以下3个文件依次是用python、awk和perl写的脚本，做同一件事情：
diff.sh f1 f2
f1和f2每一行的第一个字段（以空格分割）为key，如果f2某一行的key在f1中不存在，则输出f2该行。
比如：
a.dat的内容是
1 a
2 a
b.dat的内容是
1 b
3 b
那么diff.sh a.dat b.dat则输出
3 b
代码：
diff.py
#!/usr/bin/python
import sys
if len(sys.argv) != 3:
print "Usage: " + sys.argv[0] + "file1 file2";
sys.exit(-1);
file1 = sys.argv[1]
file2 = sys.argv[2]
list1 = {};
for line in open(file1):
list1[line.split()[0]] = 1;
for line in open(file2):
key = line.split()[0];
if key not in list1:
sys.stdout.write(line)
|
diff.sh
#!/bin/sh
if [[ $# < 2 ]];then
echo "Usage: $0 file1 file2"
exit
fi
function do_diff()
{
if [[ $# < 2 ]];then
echo "Usage: $0 file1 file2"
return 1
fi
if [[ ! -f $1 ]];then
echo "$1 is not file"
return 2
fi
if [[ ! -f $2 ]];then
echo "$2 is not file"
return 3
fi
awk '
BEGIN{FS=OFS=" "}
ARGIND == 1 {
arr[$1] = 1;
}
ARGIND == 2 {
if (!($1 in arr)) {
print $0;
}
}
' $1 $2
}
do_diff $1 $2
|
diff.pl
#!/usr/bin/perl -w
exit if (1 > $#ARGV);
my %map_orig;
my $file_orig = shift @ARGV;
open FH, "<$file_orig" or die "can't open file: $file_orig";
while (<FH>) {
chomp;
#$map_orig{$_} = 1;
my ($filed) = split /\s+/;
$map_orig{$filed} = 1;
}
close (FH);
my $file_diff = shift @ARGV;
open FH, "<$file_diff" or die "can't open file: $file_diff";
while (<FH>) {
chomp;
my ($filed) = split /\s+/;
print "$_\n" if (!defined$map_orig{$filed});
}
close (FH)
|
diff2.pl
#!/usr/bin/perl -w
exit if (1 > $#ARGV);
my %map_orig;
my $file_orig = shift @ARGV;
open FH, "<$file_orig" or die "can't open file: $file_orig";
while (<FH>) {
chomp;
#$map_orig{$_} = 1;
my ($filed) = split(" ");
$map_orig{$filed} = 1;
}
close (FH);
my $file_diff = shift @ARGV;
open FH, "<$file_diff" or die "can't open file: $file_diff";
while (<FH>) {
chomp;
my ($filed) = split(" ");
print "$_\n" if (!defined$map_orig{$filed});
}
close (FH)
|
以上4个文件的算法都是一样的，把第一个文件的key读取放到一个map中，再读取第2个文件的key，判断是否在该map中，不是则打印到标准输出。diff.pl和diff2.pl的区别是前者用了正则，后者是用字符串匹配。
测试方法：time diff.xx f1 f2 > out
测试文件f1有123183923行，每一行格式为：
key value（两个字段）
文件大小为2.5G
f2有439116行，每一行的格式也是：
key value(两字段）
文件大小为5.6M
测试结果(time real)：
diff.py的时间为3m46s = 226s
diff.sh的时间为3m49s = 229s
diff.pl的时间为(7m21s + 7m12s) = 437s
diff2.pl的时间为(7m41s + 7m34s)/2 = 454s
结果显示awk和python的性能差不多，perl则要明显差些。看来python的dict优化得很好，居然能赶上awk的性能，很出乎我的意料。
以上测试在同一台机器上跑，测试环境一样，但非严格公平（不同时间内机器负载等可能略有不同）。
--------------
有人质疑diff.pl是用了正则导致了效率降低，于是我取消了正则，用简单的字符串匹配，结果性能并没有预期的得到提升，相反，甚至有了一点点下降。
