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 importStringIO
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
while1:
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 importStringIO
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
while1:
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 2.2KMar1405:25 benchmarks.ipynb
-rw-rw-r--1 vagrant vagrant 8.2MMar1215:43 dict.txt.big
-rw-rw-r--1 vagrant vagrant 1.2KMar1215:46 make_words.py
-rw-rw-r--1 vagrant vagrant 101MMar1215:47 text_100_cn_MB.txt
-rw-rw-r--1 vagrant vagrant 101MMar1215:47 text_100_en_MB.txt
-rw-rw-r--1 vagrant vagrant 1.1GMar1215:54 text_1024_cn_MB.txt
-rw-rw-r--1 vagrant vagrant 1.1GMar1215:51 text_1024_en_MB.txt
-rw-rw-r--1 vagrant vagrant 11MMar1215:47 text_10_cn_MB.txt
-rw-rw-r--1 vagrant vagrant 11MMar1215:47 text_10_en_MB.txt
-rw-rw-r--1 vagrant vagrant 1.1MMar1215:47 text_1_cn_MB.txt
-rw-rw-r--1 vagrant vagrant 1.1MMar1215:47 text_1_en_MB.txt
-rw-rw-r--1 vagrant vagrant 501MMar1215:49 text_500_cn_MB.txt
-rw-rw-r--1 vagrant vagrant 501MMar1215:48 text_500_en_MB.txt
-rw-rw-r--1 vagrant vagrant 5.1GMar1216:16 text_5120_cn_MB.txt
-rw-rw-r--1 vagrant vagrant 5.1GMar1216:04 text_5120_en_MB.txt

确认版本

$ ack --version # ack在ubuntu下叫`ack-grep`
ack 2.12
Running under Perl5.16.3 at /usr/bin/perl
Copyright2005-2013AndyLester.
This program is free software.You may modify or distribute it
under the terms of the ArtisticLicense v2.0.
$ ag --version
ag version 0.21.0
$ grep --version
grep (GNU grep)2.14
Copyright(C)2012FreeSoftwareFoundation,Inc.
LicenseGPLv3+: GNU GPL version 3or later <http://gnu.org/licenses/gpl.html>.
Thisis free software: you are free to change and redistribute it.
Thereis NO WARRANTY, to the extent permitted by law.
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：

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)

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:

英文搜索/中文搜索
选择了2个搜索词(效率太低， 否则可能选择多个)
分别测试’’/’-i’/’-v’三种参数的执行
使用%timeit， 每种条件执行10遍， 选择效率最好的一次的结果
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

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

渲染图片的gist可以看这里benchmarks.ipynb（http://nbviewer.ipython.org/gist/dongweiming/6732731444b1e2687c47/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。

注：以上图片上传到红联Linux系统教程频道中。