何不 Ack？Grep, Ack, Ag的搜索效率对比

前言

我（@董伟明9 ）经常看到很多程序员， 运维在代码搜索上使用ack， 甚至ag(the_silver_searcher )， 而我工作中95%都是用grep，剩下的是ag。 我觉得很有必要聊一聊这个话题。

我以前也是一个运维， 我当时也希望找到最好的最快的工具用在工作的方方面面。 但是我很好奇为什么ag和ack没有作为linux发行版的内置部分。 内置的一直是grep。 我当初的理解是受各种开源协议的限制， 或者发行版的boss个人喜好。 后来我就做了实验， 研究了下他们到底谁快。 当时的做法也无非跑几个真实地线上log看看用时。 然后我也有了我的一个认识: 大部分时候用grep也无妨， 日志很大的时候用ag。

ack原来的域名是betterthangrep.com， 现在是beyondgrep.com。 好吧，其实我理解使用ack的同学， 也理解ack产生的原因。 这里就有个故事。

最开始我做运维使用shell， 经常做一些分析日志的工作。 那时候经常写比较复杂的shell代码实现一些特定的需求。 后来来了一位会perl的同学。 原来我写shell做一个事情， 写了20多行shell代码， 跑一次大概5分钟， 这位同学来了用perl改写， 4行， 一分钟就能跑完。 亮瞎我们的眼， 从那时候开始， 我就觉得需要学perl，以至于后来的Python。

perl是天生用来文本解析的语言， ack的效率确实很高。 我想着可能是大家认为ack要更快更合适的理由吧。 其实这件事要看场景。 我为什么还用比较’土’的grep呢？

看一下这篇文章， 希望给大家点启示。不耐烦看具体测试过程的同学，可以直接看结论：

1. 在搜索的总数据量较小的情况下， 使用grep， ack甚至ag在感官上区别不大
2. 搜索的总数据量较大时， grep效率下滑的很多， 完全不要选
3. ack在某些场景下没有grep效果高(比如使用-v搜索中文的时候)
4. 在不使用ag没有实现的选项功能的前提下， ag完全可以替代ack/grep

实验条件

PS: 严重声明， 本实验经个人实践， 我尽量做到合理。 大家看完觉得有异议可以试着其他的角度来做。 并和我讨论。

• 我使用了公司的一台开发机(gentoo)

• 我测试了纯英文和汉语2种， 汉语使用了结巴分词的字典， 英语使用了miscfiles中提供的词典

1. # 假如你是Ubuntu: sudo apt-get install miscfiles
2. wget https://raw.githubusercontent.com/fxsjy/jieba/master/extra_dict/dict.txt.big

实验前的准备

我会分成英语和汉语2种文件， 文件大小为1MB， 10MB， 100MB， 500MB， 1GB， 5GB。 没有更多是我觉得在实际业务里面不会单个日志文件过大的。 也就没有必要测试了(就算有， 可以看下面结果的趋势)。用下列程序深入测试的文件：

1. cat make_words.py
2. # coding=utf-8
3. import os
4. import random
5. from cStringIO importStringIO
6. EN_WORD_FILE ='/usr/share/dict/words'
7. CN_WORD_FILE ='dict.txt.big'
8. with open(EN_WORD_FILE)as f:
9. EN_DATA = f.readlines()
10. with open(CN_WORD_FILE)as f:
11. CN_DATA = f.readlines()
12. MB = pow(1024,2)
13. SIZE_LIST =[1,10,100,500,1024,1024*5]
14. EN_RESULT_FORMAT ='text_{0}_en_MB.txt'
15. CN_RESULT_FORMAT ='text_{0}_cn_MB.txt'
16. def write_data(f, size, data, cn=False):
17. total_size =0
18. while1:
19. s =StringIO()
20. for x in range(10000):
21. cho = random.choice(data)
22. cho = cho.split()[0]if cn else cho.strip()
23. s.write(cho)
24. s.seek(0, os.SEEK_END)
25. total_size += s.tell()
26. contents = s.getvalue()
27. f.write(contents +'\n')
28. if total_size > size:
29. break
30. f.close()
31. for index, size in enumerate([
32. MB,
33. MB *10,
34. MB *100,
35. MB *500,
36. MB *1024,
37. MB *1024*5]):
38. size_name = SIZE_LIST[index]
39. en_f = open(EN_RESULT_FORMAT.format(size_name),'a+')
40. cn_f = open(CN_RESULT_FORMAT.format(size_name),'a+')
41. write_data(en_f, size, EN_DATA)
42. write_data(cn_f, size, CN_DATA,True)

好吧， 效率比较低是吧？ 我自己没有vps， 公司服务器我不能没事把全部内核的cpu都占满(不是运维好几年了)。 假如你不介意htop的多核cpu飘红， 可以这样，耗时就是各文件生成的时间短板。这是生成测试文件的多进程版本：

1. # coding=utf-8
2. import os
3. import random
4. import multiprocessing
5. from cStringIO importStringIO
6. EN_WORD_FILE ='/usr/share/dict/words'
7. CN_WORD_FILE ='dict.txt.big'
8. with open(EN_WORD_FILE)as f:
9. EN_DATA = f.readlines()
10. with open(CN_WORD_FILE)as f:
11. CN_DATA = f.readlines()
12. MB = pow(1024,2)
13. SIZE_LIST =[1,10,100,500,1024,1024*5]
14. EN_RESULT_FORMAT ='text_{0}_en_MB.txt'
15. CN_RESULT_FORMAT ='text_{0}_cn_MB.txt'
16. inputs =[]
17. def map_func(args):
18. def write_data(f, size, data, cn=False):
19. f = open(f,'a+')
20. total_size =0
21. while1:
22. s =StringIO()
23. for x in range(10000):
24. cho = random.choice(data)
25. cho = cho.split()[0]if cn else cho.strip()
26. s.write(cho)
27. s.seek(0, os.SEEK_END)
28. total_size += s.tell()
29. contents = s.getvalue()
30. f.write(contents +'\n')
31. if total_size > size:
32. break
33. f.close()
34. _f, size, data, cn = args
35. write_data(_f, size, data, cn)
36. for index, size in enumerate([
37. MB,
38. MB *10,
39. MB *100,
40. MB *500,
41. MB *1024,
42. MB *1024*5]):
43. size_name = SIZE_LIST[index]
44. inputs.append((EN_RESULT_FORMAT.format(size_name), size, EN_DATA,False))
45. inputs.append((CN_RESULT_FORMAT.format(size_name), size, CN_DATA,True))
46. pool = multiprocessing.Pool()
47. pool.map(map_func, inputs, chunksize=1)

等待一段时间后，测试的文件生成了。目录下是这样的：

1. $ls -lh
2. total 14G
3. -rw-rw-r--1 vagrant vagrant 2.2KMar1405:25 benchmarks.ipynb
4. -rw-rw-r--1 vagrant vagrant 8.2MMar1215:43 dict.txt.big
5. -rw-rw-r--1 vagrant vagrant 1.2KMar1215:46 make_words.py
6. -rw-rw-r--1 vagrant vagrant 101MMar1215:47 text_100_cn_MB.txt
7. -rw-rw-r--1 vagrant vagrant 101MMar1215:47 text_100_en_MB.txt
8. -rw-rw-r--1 vagrant vagrant 1.1GMar1215:54 text_1024_cn_MB.txt
9. -rw-rw-r--1 vagrant vagrant 1.1GMar1215:51 text_1024_en_MB.txt
10. -rw-rw-r--1 vagrant vagrant 11MMar1215:47 text_10_cn_MB.txt
11. -rw-rw-r--1 vagrant vagrant 11MMar1215:47 text_10_en_MB.txt
12. -rw-rw-r--1 vagrant vagrant 1.1MMar1215:47 text_1_cn_MB.txt
13. -rw-rw-r--1 vagrant vagrant 1.1MMar1215:47 text_1_en_MB.txt
14. -rw-rw-r--1 vagrant vagrant 501MMar1215:49 text_500_cn_MB.txt
15. -rw-rw-r--1 vagrant vagrant 501MMar1215:48 text_500_en_MB.txt
16. -rw-rw-r--1 vagrant vagrant 5.1GMar1216:16 text_5120_cn_MB.txt
17. -rw-rw-r--1 vagrant vagrant 5.1GMar1216:04 text_5120_en_MB.txt

确认版本

1. $ ack --version # ack在ubuntu下叫`ack-grep`
2. ack 2.12
3. Running under Perl5.16.3 at /usr/bin/perl
4. Copyright2005-2013AndyLester.
5. This program is free software.You may modify or distribute it
6. under the terms of the ArtisticLicense v2.0.
7. $ ag --version
8. ag version 0.21.0
9. $ grep --version
10. grep (GNU grep)2.14
11. Copyright(C)2012FreeSoftwareFoundation,Inc.
12. LicenseGPLv3+: GNU GPL version 3or later <http://gnu.org/licenses/gpl.html>.
13. Thisis free software: you are free to change and Redistribute it.
14. Thereis NO WARRANTY, to the extent permitted by law.
15. WrittenbyMikeHaerteland others, see <http://git.sv.gnu.org/cgit/grep.git/tree/AUTHORS>.

实验设计

为了不产生并行执行的相互响应， 我还是选择了效率很差的同步执行， 我使用了ipython提供的%timeit。 测试程序的代码如下：

1. import re
2. import glob
3. import subprocess
4. import cPickle as pickle
5. from collections import defaultdict
6. IMAP ={
7. 'cn':('豆瓣','小明明'),
8. 'en':('four','python')
9. }
10. OPTIONS =('','-i','-v')
11. FILES = glob.glob('text_*_MB.txt')
12. EN_RES = defaultdict(dict)
13. CN_RES = defaultdict(dict)
14. RES ={
15. 'en': EN_RES,
16. 'cn': CN_RES
17. }
18. REGEX = re.compile(r'text_(\d+)_(\w+)_MB.txt')
19. CALL_STR ='{command} {option} {word} {filename} > /dev/null 2>&1'
20. for filename in FILES:
21. size, xn = REGEX.search(filename).groups()
22. for word in IMAP[xn]:
23. _r = defaultdict(dict)
24. for command in['grep','ack','ag']:
25. for option in OPTIONS:
26. rs =%timeit -o -n10 subprocess.call(CALL_STR.format(command=command, option=option, word=word, filename=filename), shell=True)
27. best = rs.best
28. _r[command][option]= best
29. RES[xn][word][size]= _r
30. # 存起来
31. data = pickle.dumps(RES)
32. with open('result.db','w')as f:
33. f.write(data)

温馨提示， 这是一个灰常耗时的测试。 开始执行后 要喝很久的茶…

我来秦皇岛办事完毕(耗时超过1一天)， 继续我们的实验。

我想要的效果

我想工作的时候一般都是用到不带参数/带-i(忽略大小写)/-v(查找不匹配项)这三种。 所以这里测试了:

1. 英文搜索/中文搜索
2. 选择了2个搜索词(效率太低， 否则可能选择多个)
3. 分别测试’’/’-i’/’-v’三种参数的执行
4. 使用%timeit， 每种条件执行10遍， 选择效率最好的一次的结果
5. 每个图代码一个搜索词， 3搜索命令， 一个选项在搜索不同大小文件时的效率对比

我先说结论

1. 在搜索的总数据量较小的情况下， 使��grep， ack甚至ag在感官上区别不大
2. 搜索的总数据量较大时， grep效率下滑的很多， 完全不要选
3. ack在某些场景下没有grep效果高(比如使用-v搜索中文的时候)
4. 在不使用ag没有实现的选项功能的前提下， ag完全可以替代ack/grep

渲染图片的gist可以看这里benchmarks.ipynb。 它的数据来自上面跑的结果在序列化之后存入的文件。

 

grep使用简明及正则表达式  http://www.linuxidc.com/Linux/2013-08/88534.htm

Linux下Shell编程——grep命令的基本运用 http://www.linuxidc.com/Linux/2013-06/85525.htm

grep 命令详解及相关事例 http://www.linuxidc.com/Linux/2014-07/104041.htm

Linux基础命令之grep详解 http://www.linuxidc.com/Linux/2013-07/87919.htm

设置grep高亮显示匹配项 http://www.linuxidc.com/Linux/2014-09/106871.htm

Linux grep命令学习与总结 http://www.linuxidc.com/Linux/2014-10/108112.htm

本文永久更新链接地址：http://www.linuxidc.com/Linux/2015-03/115130.htm