Edición: solución agregada.Perl fusionando 2 archivos csv línea por línea con una clave principal
Hola, actualmente tengo algo de trabajo, aunque código lento.
Combina 2 CSV archivos línea por línea usando una clave principal. Por ejemplo, si el archivo 1 tiene la línea:
"one,two,,four,42"
y presentar 2 tiene esta línea;
"one,,three,,42"
where in 0 indexed $ position = 4 tiene la clave principal = 42;
luego el sub: merge_file ($ archivo1, $ archivo2, $ archivo de salida, $ posición);
dará salida a un archivo con la línea:
"one,two,three,four,42";
Cada clave principal es único en cada archivo, y podría existir una clave en un solo archivo, pero no en el otro (y viceversa)
Hay aproximadamente 1 millón de líneas en cada archivo.
Pasando por cada línea en el primer archivo, estoy usando un hash para almacenar la clave principal, y almacenar el número de línea como el valor. El número de línea corresponde a una matriz [línea num] que almacena cada línea en el primer archivo.
Luego reviso cada línea en el segundo archivo, y verifico si la clave primaria está en el hash, y si es así, obtengo la línea del archivo1array y luego agrego las columnas que necesito del primer arreglo al segundo conjunto, y luego concat. hasta el final. A continuación, elimine el hash y, al final, vacíe todo en el archivo. (Estoy usando un SSD, así que quiero minimizar el archivo escribe.)
Se explica probablemente con un código:
sub merge_file2{
my ($file1,$file2,$out,$position) = ($_[0],$_[1],$_[2],$_[3]);
print "merging: \n$file1 and \n$file2, to: \n$out\n";
my $OUTSTRING = undef;
my %line_for;
my @file1array;
open FILE1, "<$file1";
print "$file1 opened\n";
while (<FILE1>){
chomp;
$line_for{read_csv_string($_,$position)}=$.; #reads csv line at current position (of key)
$file1array[$.] = $_; #store line in file1array.
}
close FILE1;
print "$file2 opened - merging..\n";
open FILE2, "<", $file2;
my @from1to2 = qw(2 4 8 17 18 19); #which columns from file 1 to be added into cols. of file 2.
while (<FILE2>){
print "$.\n" if ($.%1000) == 0;
chomp;
my @array1 =();
my @array2 =();
my @array2 = split /,/, $_; #split 2nd csv line by commas
my @array1 = split /,/, $file1array[$line_for{$array2[$position]}];
# ^ ^ ^
# prev line lookup line in 1st file,lookup hash, pos of key
#my @output = &merge_string(\@array1,\@array2); #merge 2 csv strings (old fn.)
foreach(@from1to2){
$array2[$_] = $array1[$_];
}
my $outstring = join ",", @array2;
$OUTSTRING.=$outstring."\n";
delete $line_for{$array2[$position]};
}
close FILE2;
print "adding rest of lines\n";
foreach my $key (sort { $a <=> $b } keys %line_for){
$OUTSTRING.= $file1array[$line_for{$key}]."\n";
}
print "writing file $out\n\n\n";
write_line($out,$OUTSTRING);
}
El primero, mientras que está muy bien, se tarda menos de 1 minuto, sin embargo, el segundo mientras que el ciclo tarda aproximadamente 1 hora en ejecutarse, y me pregunto si he tomado el enfoque correcto. Creo que es posible una gran aceleración? :) Gracias por adelantado.
Solución:
sub merge_file3{
my ($file1,$file2,$out,$position,$hsize) = ($_[0],$_[1],$_[2],$_[3],$_[4]);
print "merging: \n$file1 and \n$file2, to: \n$out\n";
my $OUTSTRING = undef;
my $header;
my (@file1,@file2);
open FILE1, "<$file1" or die;
while (<FILE1>){
if ($.==1){
$header = $_;
next;
}
print "$.\n" if ($.%100000) == 0;
chomp;
push @file1, [split ',', $_];
}
close FILE1;
open FILE2, "<$file2" or die;
while (<FILE2>){
next if $.==1;
print "$.\n" if ($.%100000) == 0;
chomp;
push @file2, [split ',', $_];
}
close FILE2;
print "sorting files\n";
my @sortedf1 = sort {$a->[$position] <=> $b->[$position]} @file1;
my @sortedf2 = sort {$a->[$position] <=> $b->[$position]} @file2;
print "sorted\n";
@file1 = undef;
@file2 = undef;
#foreach my $line (@file1){print "\t [ @$line ],\n"; }
my ($i,$j) = (0,0);
while ($i < $#sortedf1 and $j < $#sortedf2){
my $key1 = $sortedf1[$i][$position];
my $key2 = $sortedf2[$j][$position];
if ($key1 eq $key2){
foreach(0..$hsize){ #header size.
$sortedf2[$j][$_] = $sortedf1[$i][$_] if $sortedf1[$i][$_] ne undef;
}
$i++;
$j++;
}
elsif ($key1 < $key2){
push(@sortedf2,[@{$sortedf1[$i]}]);
$i++;
}
elsif ($key1 > $key2){
$j++;
}
}
#foreach my $line (@sortedf2){print "\t [ @$line ],\n"; }
print "outputting to file\n";
open OUT, ">$out";
print OUT $header;
foreach(@sortedf2){
print OUT (join ",", @{$_})."\n";
}
close OUT;
}
Gracias a todos, la solución se publicó anteriormente. ¡Ahora se tarda aproximadamente 1 minuto en fusionar todo! :)
(para la referencia (matrices de matrices): http://sunsite.ualberta.ca/Documentation/Misc/perl- 5.6.1/pod/perllol.html) – Dave
Creo que todavía hay espacio suficiente para las optimizaciones, pero si es lo suficientemente rápido, vaya con él. –