使用 GNU 並行增強 grep 搜尋

我正在使用以下 grep 腳本來輸出所有不匹配的模式：

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

patterns 文件包含以下 12 個字元長的子字元串（一些實例如下所示）：

6b6c665d4f44
8b715a5d5f5f
26364d605243
717c8a919aa2

large_strings 文件包含大約 20-1 億個字元的極長字元串（一小段字元串如下所示）：

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

我們如何加快上述腳本（gnu parallel、xargs、fgrep 等）？我嘗試使用 –pipepart 和 –block 但它不允許您通過管道傳輸兩個 grep 命令。

順便說一句，這些都是十六進製字元串和模式。

一個不使用 grep 的更有效的答案：

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.??

我已經在完整的工作（patterns.txt：9GBytes/725937231 行，large_strings.txt：19GBytes/184 行）上對此進行了測試，並且在我的 64 核機器上它在 3 小時內完成。

這應該有效：

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

如果你有ripgrep使用它：

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

如果patterns.txt也很大，請查看：

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

您的情況也非常接近 BLAT 解決的問題，除了 BLAT 是為 DNA 建構的。但我不認為你不能在你的情況下使用 BLAT - 可能有一些變化（好吧，你可以將每個十六進制值轉換為 2 個 DNA 字母並直接使用它）。BLAT 與在數據庫中查找一樣快，因此無法與grep. http://genome.ucsc.edu/FAQ/FAQblat.html#blat3

引用自：https://unix.stackexchange.com/questions/630771