Question

我有大约400'000个文件需要替换一些文本。

我尝试了以下Perl脚本：

@files = <*.html>;

foreach $file (@files) {
    `perl -0777 -i -pe 's{<div[^>]+?id="user-info"[^>]*>.*?</div>}{}gsmi;' $file`;

    `perl -0777 -i -pe 's{<div[^>]+?class="generic"[^>]*>[^\s]*<small>[^\s]*Author.*?</div>.*?</div>.*?</div>.*?</div>.*?</div>}{}gsmi;' $file`;

    `perl -0777 -i -pe 's{<script[^>]+?src="javascript.*?"[^>]*>.*?</script>}{}gsmi;' $file`;

    `perl -p -i -e 's/.css.html/.css/g;' $file`;
}

我没有深入的Perl知识，但脚本运行速度太慢（每天只更新大约180个文件）。

有没有办法加快速度？

提前谢谢！

PS：当我在较少数量的文件上测试时，我注意到了更好的性能......

Answer 1

从perl调用perl总是比在一个进程中完成所有工作要慢。所以，解决方案可能是

perl -i -pe 'BEGIN { undef $/ }
             s{<div[^>]+?id="user-info"[^>]*>.*?</div>}{}gsmi;
             s{<div[^>]+?class="generic"[^>]*>[^\s]*<small>[^\s]*Author.*?</div>.*?</div>.*?</div>.*?</div>.*?</div>}{}gsmi;
             s{<script[^>]+?src="javascript.*?"[^>]*>.*?</script>}{}gsmi;
             s/.css.html/.css/g;
    ' *.html

Answer 2

首先，如果你将400,000个文件名加载到内存中，它会吸收一些内存。您可以轻松地遍历文件列表，例如：

File::Find
opendir + while (readdir($dh))（不加载整个列表）

其次，使用反引号会在shell中产生一个新进程，并且它非常无效。您可以正常打开文件，啜饮它们，然后重新打印到相同的文件名。 E.g。

while (my $file = readdir($dh)) {
    open my $fh, "<", $file or die $!;
    local $/;
    my $text = <$fh>;                # slurp file
    $text =~ s/....//g;              # do your substitutions
    open $fh, ">", $file or die $!;
    print $fh $text;                 # overwrite file, same as -i switch does
}

最后..使用正则表达式编辑html并不理想。它可能适用于您的情况，但是花一些时间学习一个HTML解析器可能是值得的。不确定这种特殊情况的适用程度，但可能值得研究，以使代码更稳定。

Perl搜索并替换400'000个文件

2 个答案: