大量のファイルを結合する

±10,000個のファイル（res.1- res.10000）があり、すべて1つの列と同じ数の行で構成されています。私が欲しいのは、本質的にはシンプルです。すべてのファイルを列ごとに新しいファイルにマージしますfinal.res。私は使用してみました：

paste res.*

ただし（これは結果ファイルの小さなサブセットで機能するようですが、セット全体で実行すると次のエラーが発生します：Too many open files。

これを実行するための「簡単な」方法が必要ですが、残念ながら私はunixを初めて使用します。前もって感謝します！

PS：（私の）データファイルがどのように見えるかを知るため：

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

そのマシンにルート権限がある場合、一時的に「オープンファイル記述子の最大数」制限を増やすことができます。

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

その後

paste res.* >final.res

その後、元の値に戻すことができます。

第二の溶液、あなたが制限を変更できない場合：

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

paste各ファイルを1回呼び出し、最後にすべての列を持つ巨大なファイルがあります（1分かかります）。

編集：猫の無駄な使用 ... ない！

コメントで述べたように、catここ（cat final.res | paste - $f >temp）の使用法は無駄ではありません。ループが初めて実行されるとき、ファイルfinal.resはまだ存在していません。paste失敗し、ファイルがいっぱいになることも作成されることもありません。私のソリューションでcatは、最初に失敗するだけで、stdinから空のファイルNo such file or directoryをpaste読み取りますが、それは継続します。エラーは無視できます。

もし 混沌（必要な権限を持っていないので）「答えは適用されない、あなたはバッチがアップすることができますpaste呼び出し、次のように：

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

これは、名前が付けられたファイルに一度に1000個のファイルをリストします lists00、lists01などのres.され、対応するファイルがなどの名前のファイルに貼り付けられmerge00、merge01最終的に部分的にマージされたすべてのファイルがマージされます。

カオスで述べたように、一度に使用するファイルの数を増やすことができます。制限は、指定した値ulimit -nから既に開いているファイルの数を引いたものです。したがって、

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

制限マイナス10を使用します。

のバージョンがをsplitサポートしていない-d場合は、削除できsplitます。数値サフィックスを使用するよう指示するだけです。デフォルトでは、接尾辞になりますaa、abなどの代わりに01、02など

ls -1 res.*失敗するファイルが非常に多い（「引数リストが長すぎる」）場合は、それを置き換えfindてエラーを回避できます。

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

（don_crisstiで指摘されているように、出力を-1パイプするときには必要ないはずlsですが、lsでエイリアスされて-Cいるケースを処理するために残しています。）

この方法で実行してみてください：

ls res.*|xargs paste >final.res

バッチを分割して、次のようなことを試すこともできます。

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

最後に最終ファイルを結合します

paste final.* >final.res

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

これほど複雑なことはないと思います-ファイル名を並べ替えて、すでに大変な作業を行っています。すべてを同時に開かないでください。

別の方法：

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

...しかし、それはそれらを逆方向に行うと思います...これはもっとうまくいくかもしれません：

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

そして、もう一つの方法があります：

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

これによりtar、すべてのファイルをヌル区切りのストリームに収集し、ファイル名を除くすべてのヘッダーメタデータを解析し、すべてのファイルのすべての行をタブに変換できます。ただし、入力は実際のテキストファイルであることに依存します。つまり、それぞれが改行で終了し、ファイルにヌルバイトがないことを意味します。また、ファイル名自体が改行なしであることにも依存します（ただし、GNU tarの--xformオプションを使用すると堅牢に処理される可能性があります）。これらの条件が満たされている場合、任意の数のファイルの非常に短い作業を行う必要があります-とtarほぼすべての処理を実行します。

結果は、次のような一連の行です。

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

等々。

最初に5つのテストファイルを作成してテストしました。今は10000個のファイルを生成する気分になれなかったので、それぞれについてもう少し大きくしました。また、ファイルの長さが大きく異なることを確認しました。tarスクリプトをテストする場合、これは重要です。なぜなら、tar入力を固定長にブロックするです-少なくともいくつかの異なる長さを試さないと、実際に1つだけを処理するかどうかわかりません。

とにかく、私がしたテストファイルについて：

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

ls 後に報告された：

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

...それから私は走った...

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

... 各行が最初の25個のタブ区切りフィールドのみを表示するようにします（各ファイルは単一行であるため- たくさんあります） ...

出力は次のとおりです。

./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

関係するファイルの量、行サイズなどを考えると、ツールのデフォルトのサイズ（awk、sed、paste、*など）を超えると思います

このために小さなプログラムを作成し、10,000個のファイルを開いたり、長さ数十万行（10個の10,000ファイル（例では行の最大サイズ））したりしません。各ファイルから読み取られたバイト数を格納するために、整数の〜10,000配列のみが必要です。欠点は、ファイル記述子が1つしかなく、各ファイル、各行で再利用されることです。これは時間がかかる可能性があります。

定義FILESとは、ROWS実際の正確な値に変更されなければなりません。出力は標準出力に送信されます。

#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 */
   }
}