☰

GNU並列処理を使用してgrep検索を強化する

tag-icon • tag-icon grep gnu-parallel multithreading pattern-matching hex
GNU並列処理を使用してgrep検索を強化する

一致しないすべてのパターンを出力するには、次のgrepスクリプトを使用します。

grep -oFf patterns.txt large_strings.txt | grep -vFf - patterns.txt > unmatched_patterns.txt

パターンファイルには、以下の12文字の長さの部分文字列が含まれています（いくつかの例を以下に示します）。

6b6c665d4f44
8b715a5d5f5f
26364d605243
717c8a919aa2

Large_stringsファイルには、約2〜1億文字の非常に長い文字列が含まれています（文字列の小さな部分が下に表示されます）。

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

上記のスクリプト（gnuパラレル、xargs、fgrepなど）の速度をどのように高速化できますか？ --pipepartと--blockを試しましたが、2つのgrepコマンドをパイプできませんでした。

ちなみに、これらは16進文字列とパターンです。

答え1

これは働きます:

parallel --pipepart --block -1 -a large_strings.txt grep -oFf patterns.txt |
  grep -vFf - patterns.txt > unmatched_patterns.txt

使用したことがある場合ripgrep：

parallel --pipepart --block -1 -a large_strings.txt rg -oFf patterns.txt |
  rg -vFf - patterns.txt > unmatched_patterns.txt

サイズも大きい場合は、patterns.txt以下を見てください。

https://www.gnu.org/software/parallel/man.html#例: -Grepping-n-lines-for-m-regular-expressions

あなたの状況は、BLATがDNA用に作成されたことを除いて、BLATが解決する問題と非常によく似ています。しかし、あなたの場合、BLATは利用できないようです。一部の変更が必要な場合があります。できる各16進値を2つのDNA文字に変換して直接使用してください。 BLATはデータベース検索と同じくらい高速ですgrep。 http://genome.ucsc.edu/FAQ/FAQblat.html#blat3

答え2

grepのないより効率的な答え：

build_k_mers() {
    k="$1"
    slot="$2"
    perl -ne 'for $n (0..(length $_)-'"$k"') {                                                                                               
       $prefix = substr($_,$n,2);                                                                                                            
       $fh{$prefix} or open $fh{$prefix}, ">>", "tmp/kmer.$prefix.'"$slot"'";                                                                
       $fh = $fh{$prefix};                                                                                                                   
       print $fh substr($_,$n,'"$k"'),"\n"                                                                                                   
    }'
}
export -f build_k_mers

rm -rf tmp
mkdir tmp
export LC_ALL=C
# search strings must be sorted for comm                                                                                                     
parsort patterns.txt | awk '{print >>"tmp/patterns."substr($1,1,2)}' &

# make shorter lines: Insert \n(last 12 char before \n) for every 32k                                                                         
# This makes it easier for --pipepart to find a newline                                                                                      
# It will not change the kmers generated                                                                                                     
perl -pe 's/(.{32000})(.{12})/$1$2\n$2/g' large_strings.txt > large_lines.txt
# Build 12-mers                                                                                                                              
parallel --pipepart --block -1 -a large_lines.txt 'build_k_mers 12 {%}'
# -j10 and 20s may be adjusted depending on hardware
parallel -j10 --delay 20s 'parsort -u tmp/kmer.{}.* > tmp/kmer.{}; rm tmp/kmer.{}.*' ::: `perl -e 'map { printf "%02x ",$_ } 0..255'`
wait
parallel comm -23 {} {=s/patterns./kmer./=} ::: tmp/patterns.??

私はこれをフルタスク（patterns.txt：9GBytes / 725937231ライン、large_strings.txt：19GBytes / 184ライン）でテストし、64コアコンピュータで3時間で完了しました。

答え3

これがうまくいくかどうかわかりません...

while read line; 
do 
  grep -oF "$line" large_strings.txt & 
done <patterns.txt | grep -vFf - patterns.txt > unmatched_patterns.txt

関連情報