最近有一個小需求：在一個目錄下有很多文件，每個文件的第一行是BEGIN開頭的，最後一行是END開頭的，中間每一行有多列，數量不等，第一列稱為"DN", 第二列稱為"CV"，DN和CV的聯合作為主鍵，現在需要檢測文件中是否有重復的DN-CV。
於是寫了個簡單的python程序
#! /usr/bin/python
import os
import sys
cmd = "cat /home/zhangj/hosts/* | grep -v BEGIN | grep -v END"
def check_dc_line():
has_duplicate = False
dc_set = set()
for dc_line in os.popen(cmd, 'r').readlines():
dc_token = dc_line.split()
dn = dc_token[0]
cv = dc_token[1]
dc = dn + "," + cv
if dc in dc_set:
print "duplicate dc found:", dc
has_duplicate = True
else:
dc_set.add(dc)
return has_duplicate
if not check_dc_line():
print "no duplicate dc"
對於250個文件，共60萬行的數據，過濾一遍約1.67秒
有點不甘心這個效率，於是又寫了一個同樣功能的shell腳本
#! /bin/bash
cat /home/zhangj/hosts/* | grep -v BEGIN | grep -v END | awk '
BEGIN {
has_duplicate = 0
}
{
dc = $1","$2;
if (dc in dc_set)
{
print "duplicate dc found", dc
has_duplicate = 1
}
else {
dc_set[dc] = 1
}
}
END {
if (has_duplicate ==0)
{
print "no duplicate dc found"
}
}
'
為了進一步比較，重復了10次實驗。
use python (second) use bash (second) 1.74 1.548 1.698 1.423 1.674 1.408 1.718 1.286 1.757 1.292 1.600 1.285 1.647 1.335 1.661 1.316 1.654 1.288 1.647 1.288 average 1.670 1.347可讀性上看，python更簡潔優雅一些。不過執行效率略有出乎意料。shell貌似更快一些……
《Python核心編程 第二版》.(Wesley J. Chun ).[高清PDF中文版] http://www.linuxidc.com/Linux/2013-06/85425.htm
《Python開發技術詳解》.( 周偉,宗傑).[高清PDF掃描版+隨書視頻+代碼] http://www.linuxidc.com/Linux/2013-11/92693.htm
Python腳本獲取Linux系統信息 http://www.linuxidc.com/Linux/2013-08/88531.htm
在Ubuntu下用Python搭建桌面算法交易研究環境 http://www.linuxidc.com/Linux/2013-11/92534.htm
Python 的詳細介紹：請點這裡
Python 的下載地址：請點這裡
