合并大量文件

我有±10,000个文件（res.1- res.10000），它们全部由一列和相等数量的行组成。本质上，我想要的是简单；将所有文件按列合并到一个新文件中final.res。我尝试使用：

paste res.*

但是（尽管这似乎对结果文件的一小部分有用，但是在整个集合上执行时会出现以下错误：Too many open files。

必须有一种“简便”的方法来完成此操作，但是不幸的是，我对UNIX还是很陌生。提前致谢！

PS：让您大致了解一下（我的一个）数据文件：

0.5
0.5
0.03825
0.5
10211.0457
10227.8469
-5102.5228
0.0742
3.0944
...

如果您对该计算机具有root权限，则可以暂时增加“打开文件描述符的最大数量”限制：

ulimit -Hn 10240 # The hard limit
ulimit -Sn 10240 # The soft limit

接着

paste res.* >final.res

之后，您可以将其设置回原始值。

一个第二个解决方案，如果你不能改变的限制：

for f in res.*; do cat final.res | paste - $f >temp; cp temp final.res; done; rm temp

它呼吁 paste每个文件一次，最后有一个包含所有列的巨大文件（需要分钟）。

编辑：猫的无用使用 ...不是！

如评论中所述，cat这里（cat final.res | paste - $f >temp）的使用并非没有用。循环第一次运行时，该文件final.res不存在。paste然后将失败，并且永远不会填充或创建文件。对于我的解决方案，只有cat第一次使用stdin会失败，No such file or directory并且只能paste从stdin读取一个空文件，但是它会继续。该错误可以忽略。

如果混乱的答案不适用（因为您没有所需的权限），则可以paste按以下方式批量处理呼叫：

ls -1 res.* | split -l 1000 -d - lists
for list in lists*; do paste $(cat $list) > merge${list##lists}; done
paste merge* > final.res

这列出文件1000在命名文件时lists00，lists01等等，然后粘贴相应的res.文件到指定的文件merge00，merge01等等，最后合并所有得到的部分合并的文件。

正如混乱所提到的，您可以一次增加使用的文件数量。限制是给定的值ulimit -n减去已打开的许多文件，因此您应该说

ls -1 res.* | split -l $(($(ulimit -n)-10)) -d - lists

使用限制减去十。

如果您的版本split不支持-d，则可以将其删除：它所做的只是告诉split您使用数字后缀。默认情况下，后缀将是aa，ab等来代替01，02等等。

如果有太多ls -1 res.*失败的文件（“参数列表太长”），则可以将其替换为find可以避免该错误的文件：

find . -maxdepth 1 -type f -name res.\* | split -l 1000 -d - lists

（如don_crissti所指出的那样，-1当管道ls输出时，不需要使用它；但是我将其留作ls别名使用的情况-C。）

尝试以这种方式执行它：

ls res.*|xargs paste >final.res

您也可以将批次分成几部分，然后尝试执行以下操作：

paste `echo res.{1..100}` >final.100
paste `echo res.{101..200}` >final.200
...

最后合并最终文件

paste final.* >final.res

i=0
{ paste res.? res.?? res.???
while paste ./res."$((i+=1))"[0-9][0-9][0-9]
do :; done; } >outfile

我认为这并不那么复杂-您已经通过订购文件名完成了艰苦的工作。只是不要同时打开所有它们，就是全部。

另一种方式：

pst()      if   shift "$1"
           then paste "$@"
           fi
set ./res.*
while  [ -n "${1024}" ] ||
     ! paste "$@"
do     pst "$(($#-1023))" "$@"
       shift 1024
done >outfile

...但是我认为这会倒退...这可能会更好：

i=0;  echo 'while paste \'
until [ "$((i+=1))" -gt 1023 ] &&
      printf '%s\n' '"${1024}"' \
      do\ shift\ 1024 done
do    echo '"${'"$i"'-/dev/null}" \'
done | sh -s -- ./res.* >outfile

这是另一种方式：

tar --no-recursion -c ./ |
{ printf \\0; tr -s \\0; }    |
cut -d '' -f-2,13              |
tr '\0\n' '\n\t' >outfile

这样一来，您就可以tar将所有文件收集到一个以空分隔的流中，解析出所有头文件元数据（文件名除外），并将所有文件中的所有行转换为制表符。但是，它依赖于输入是实际的文本文件-意味着每个文件都以换行符结尾，并且文件中没有空字节。哦，这还依赖于文件名本身是无换行符的（尽管可以使用GNU tar的--xform选项对其进行可靠地处理）。在满足这些条件的情况下，应该可以很短地处理任何数量的文件-并且tar几乎可以完成所有工作。

结果是一组看起来像这样的行：

./fname1
C1\tC2\tC3...
./fname2
C1\tC2\t...

等等。

我首先创建了5个测试文件进行了测试。我现在真的不喜欢生成10000个文件，因此每个文件都稍大一些-并且确保文件长度相差很大。这在测试tar脚本时很重要，因为tar它将阻止输入固定长度的内容-如果您不尝试至少几种不同的长度，您将永远不知道是否实际上只处理一个长度。

无论如何，对于测试文件，我做了：

for f in 1 2 3 4 5; do : >./"$f"
seq "${f}000" | tee -a [12345] >>"$f"
done

ls 事后报告：

ls -sh [12345]
68K 1 68K 2 56K 3 44K 4 24K 5

然后我跑了

tar --no-recursion -c ./ |
{ printf \\0; tr -s \\0; }|
cut -d '' -f-2,13          |
tr '\0\n' '\n\t' | cut -f-25

...仅每行仅显示前25个制表符分隔的字段（因为每个文件都是一行-有很多） ...

输出为：

./1
1    2    3    4    5    6    7    8    9    10    11    12    13    14    15    16    17    18    19    20    21    22    23    24    25
./2
1    2    3    4    5    6    7    8    9    10    11    12    13    14    15    16    17    18    19    20    21    22    23    24    25
./3
1    2    3    4    5    6    7    8    9    10    11    12    13    14    15    16    17    18    19    20    21    22    23    24    25
./4
1    2    3    4    5    6    7    8    9    10    11    12    13    14    15    16    17    18    19    20    21    22    23    24    25
./5
1    2    3    4    5    6    7    8    9    10    11    12    13    14    15    16    17    18    19    20    21    22    23    24    25

考虑到涉及的文件数量，行大小等，我认为它将超过工具的默认大小（awk，sed，paste，*等）

为此，我将创建一个小程序，既不会打开10,000个文件，也不会显示数十万行（10,000个文件，共10个文件（示例中最大行数））。它仅需要约10,000个整数数组，即可存储已从每个文件读取的字节数。缺点是它只有一个文件描述符，每个文件，每一行都可以重用它，这可能会很慢。

的定义FILES，并ROWS应改为实际的精确值。输出被发送到标准输出。

#include <stdio.h>
#include <stdlib.h>
#include <string.h>

#define FILES 10000 /* number of files */
#define ROWS 500    /* number of rows  */

int main() {
   int positions[FILES + 1];
   FILE *file;
   int r, f;
   char filename[100];
   size_t linesize = 100;
   char *line = (char *) malloc(linesize * sizeof(char));

   for (f = 1; f <= FILES; positions[f++] = 0); /* sets the initial positions to zero */

   for (r = 1; r <= ROWS; ++r) {
      for (f = 1; f <= FILES; ++f) {
         sprintf(filename, "res.%d", f);                  /* creates the name of the current file */
         file = fopen(filename, "r");                     /* opens the current file */
         fseek(file, positions[f], SEEK_SET);             /* set position from the saved one */
         positions[f] += getline(&line, &linesize, file); /* reads line and saves the new position */
         line[strlen(line) - 1] = 0;                      /* removes the newline */
         printf("%s ", line);                             /* prints in the standard ouput, and a single space */
         fclose(file);                                    /* closes the current file */
      }
      printf("\n");  /* after getting the line from each file, prints a new line to standard output */
   }
}