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：

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

搜索的总数据量较大时， grep效率下滑的很多，完全不要选

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)

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

# 假如你是ubuntu: sudo apt-get install miscfiles
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：

cat make_words.py
# coding=utf-8
import os
import random
from cStringIO import StringIO
EN_WORD_FILE = '/usr/share/dict/words'
CN_WORD_FILE = 'dict.txt.big'
with open(EN_WORD_FILE) as f:
EN_DATA = f.readlines()
with open(CN_WORD_FILE) as f:
CN_DATA = f.readlines()
MB = pow(1024, 2)
SIZE_LIST = [1, 10, 100, 500, 1024, 1024 * 5]
EN_RESULT_FORMAT = 'text_{0}_en_MB.txt'
CN_RESULT_FORMAT = 'text_{0}_cn_MB.txt'
def write_data(f, size, data, cn=False):
total_size = 0
while 1:
s = StringIO()
for x in range(10000):
cho = random.choice(data)
cho = cho.split()[0] if cn else cho.strip()
s.write(cho)
s.seek(0, os.SEEK_END)
total_size += s.tell()
contents = s.getvalue()
f.write(contents + '\n')
if total_size > size:
break
f.close()
for index, size in enumerate([
MB,
MB * 10,
MB * 100,
MB * 500,
MB * 1024,
MB * 1024 * 5]):
size_name = SIZE_LIST[index]
en_f = open(EN_RESULT_FORMAT.format(size_name), 'a+')
cn_f = open(CN_RESULT_FORMAT.format(size_name), 'a+')
write_data(en_f, size, EN_DATA)
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：

# coding=utf-8
import os
import random
import multiprocessing
from cStringIO import StringIO
EN_WORD_FILE = '/usr/share/dict/words'
CN_WORD_FILE = 'dict.txt.big'
with open(EN_WORD_FILE) as f:
EN_DATA = f.readlines()
with open(CN_WORD_FILE) as f:
CN_DATA = f.readlines()
MB = pow(1024, 2)
SIZE_LIST = [1, 10, 100, 500, 1024, 1024 * 5]
EN_RESULT_FORMAT = 'text_{0}_en_MB.txt'
CN_RESULT_FORMAT = 'text_{0}_cn_MB.txt'
inputs = []
def map_func(args):
def write_data(f, size, data, cn=False):
f = open(f, 'a+')
total_size = 0
while 1:
s = StringIO()
for x in range(10000):
cho = random.choice(data)
cho = cho.split()[0] if cn else cho.strip()
s.write(cho)
s.seek(0, os.SEEK_END)
total_size += s.tell()
contents = s.getvalue()
f.write(contents + '\n')
if total_size > size:
break
f.close()
_f, size, data, cn = args
write_data(_f, size, data, cn)
for index, size in enumerate([
MB,
MB * 10,
MB * 100,
MB * 500,
MB * 1024,
MB * 1024 * 5]):
size_name = SIZE_LIST[index]
inputs.append((EN_RESULT_FORMAT.format(size_name), size, EN_DATA, False))
inputs.append((CN_RESULT_FORMAT.format(size_name), size, CN_DATA, True))
pool = multiprocessing.Pool()
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：

$ls -lh
total 14G
-rw-rw-r-- 1 vagrant vagrant 2.2K Mar 14 05:25 benchmarks.ipynb
-rw-rw-r-- 1 vagrant vagrant 8.2M Mar 12 15:43 dict.txt.big
-rw-rw-r-- 1 vagrant vagrant 1.2K Mar 12 15:46 make_words.py
-rw-rw-r-- 1 vagrant vagrant 101M Mar 12 15:47 text_100_cn_MB.txt
-rw-rw-r-- 1 vagrant vagrant 101M Mar 12 15:47 text_100_en_MB.txt
-rw-rw-r-- 1 vagrant vagrant 1.1G Mar 12 15:54 text_1024_cn_MB.txt
-rw-rw-r-- 1 vagrant vagrant 1.1G Mar 12 15:51 text_1024_en_MB.txt
-rw-rw-r-- 1 vagrant vagrant 11M Mar 12 15:47 text_10_cn_MB.txt
-rw-rw-r-- 1 vagrant vagrant 11M Mar 12 15:47 text_10_en_MB.txt
-rw-rw-r-- 1 vagrant vagrant 1.1M Mar 12 15:47 text_1_cn_MB.txt
-rw-rw-r-- 1 vagrant vagrant 1.1M Mar 12 15:47 text_1_en_MB.txt
-rw-rw-r-- 1 vagrant vagrant 501M Mar 12 15:49 text_500_cn_MB.txt
-rw-rw-r-- 1 vagrant vagrant 501M Mar 12 15:48 text_500_en_MB.txt
-rw-rw-r-- 1 vagrant vagrant 5.1G Mar 12 16:16 text_5120_cn_MB.txt
-rw-rw-r-- 1 vagrant vagrant 5.1G Mar 12 16:04 text_5120_en_MB.txt

确认版本

$ ack --version # ack在ubuntu下叫`ack-grep`
ack 2.12
Running under Perl 5.16.3 at /usr/bin/perl
Copyright 2005-2013 Andy Lester.
This program is free software. You may modify or distribute it
under the terms of the Artistic License v2.0.
$ ag --version
ag version 0.21.0
$ grep --version
grep (GNU grep) 2.14
Copyright (C) 2012 Free Software Foundation, Inc.
License GPLv3+: GNU GPL version 3 or later <http://gnu.org/licenses/gpl.html>.
This is free software: you are free to change and redistribute it.
There is NO WARRANTY, to the extent permitted by law.
Written by Mike Haertel and 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：

import re
import glob
import subprocess
import cPickle as pickle
from collections import defaultdict
IMAP = {
'cn': ('豆瓣', '小明明'),
'en': ('four', 'python')
}
OPTIONS = ('', '-i', '-v')
FILES = glob.glob('text_*_MB.txt')
EN_RES = defaultdict(dict)
CN_RES = defaultdict(dict)
RES = {
'en': EN_RES,
'cn': CN_RES
}
REGEX = re.compile(r'text_(\d+)_(\w+)_MB.txt')
CALL_STR = '{command} {option} {word} {filename} > /dev/null 2>&1'
for filename in FILES:
size, xn = REGEX.search(filename).groups()
for word in IMAP[xn]:
_r = defaultdict(dict)
for command in ['grep', 'ack', 'ag']:
for option in OPTIONS:
rs = %timeit -o -n10 subprocess.call(CALL_STR.format(command=command, option=option, word=word, filename=filename), shell=True)
best = rs.best
_r[command][option] = best
RES[xn][word][size] = _r
# 存起来
data = pickle.dumps(RES)
with open('result.db', 'w') as f:
f.write(data)