Dotaz: zpracování VELMI velkého množství souborů - rm, find, mv - omezení?

[Pavel Čejka]

Narazil jsem na drobný problém s příkazy rm, find a mv. Nedopatřením se mi na serveru nahromadilo více souborů, přibližně něco lehce přes 450000 (slovy: čtyřista padesát tisíc souborů) a potřebuju je přesunou, smazat a třídit. Tj. viz. subject - něco přesunout pomocí kombinace mv a find s parametrem ctime (případně cmin), něco smazat definitivně. Velikost adresáře se pohybuje okolo 16MB (šestnáct megabytů) a takových adresářů mám na disku několik. Velikost jednotlivých souborů nepřekračuje 1MB, většinou tak okolo 300kB. Jenomže se ukázalo, že všechny jmenované příkazy mají limit v počtu zpracovávaných souborů. Zatím nevím jaký, tím se budu zabývat později večer, ale ten limit je menší než malý zlomek výše uvedeného počtu (odhaduji na jednotky tisíc). Pakliže je limit překročen, ohlásí chybu (nepamatuji si přesně, u serveru nesedím) ve smyslu "příliš dlouhý seznam" - "list is too long", nebo tak nějak. Zkusil jsem soubory zpracovávat po částech zadáváním jména s častí nahrazenou otazníky, ale je to příliš zdlouhavé a za půl hodiny jsem zpracoval sotva 100000 souborů a to ještě ne moc efektivně. Ale to není zásadní, to se dá vyřešit skriptem a cyklem, který vytvoří jména souborů, která bude mazat ... Důležité je, aby se situace nemohla opakovat. Parametry stroje jsou: Pentium 4 HT 3GHz, 512MB DDR RAM, 480GB HDD (2x 250GB v stripu na SATA 150), 200GB PATA ... Na disku se soubory (raid) je ReiserFS. Distribuce Linuxu Gentoo 2004.0, poslední dva měsíce neaktualizovaná, jádro vanilla 2.6.3 pouze s potřebnými moduly. Otázka zní, setkali jste se s tímto problémem?
Za jakých okolností?
Jaký je limit zmiňovaných programů?
Je závislý na použitém filesystému?
Proč? Copak nestačí omezení volnou RAM?

Odpovědi

[Michal Čihař]

Je omezena maximální velikosti příkazové řádky (tuším 32kb), použij xargs (nejspíš v kombinaci s find).

[Pavel Čejka]

Problém není v příkazové řádce. Kdyby byl, tak bych smazal možná nejvýše několik desítek souborů naráz, ale já jich smažu třeba 500 (což by vycházelo na cca 60 znaků na jméno souboru), jenže i tak jich tam mám skoro tisíckrát víc. Příklad příkazu, který jsem zadal:
rm cam10404*jpg ... nějak mi to nedochází, ale to asi nebude 32kB, že. Přece není možné, aby bylo množství zpracovávaných souborů omezeno na délku příkazové řádky? Tomu nechci věřit.

[unchallenger]

Možné to je docela dobře ;)

[Pavel Čejka]

No jo, jenže tak veliké množství souborů se mi nahromadilo právě kvůli tomu, že limit byl tak nízko a jako první zkolaboval příkaz find (používal jsem ho k tomu, abych spolu s parametrem ctime vytřídil soubory starší jedné hodiny), pak už se to jen nabalovalo až to došlo do současného stavu.

[unchallenger]

Find tímto způsobem nemůže zkolabovat, protože find ty soubory prostě vypisuje na stdout. Právě jsem findem z legrace vypsal 800000 souborů (víc jich nemám po ruce ;) a nijak mu to neublížilo. Proč bys chtěl dávat findu 450000 souborů jako argumenty?

BTW ten limit je 32 stránek, což je 128 kB na i386. ./configure různých programů sice vypisuje 32 kB, ale jedna polovina je tím, že vypisuje záměrně poloviční hodnotu a druhá nejspíš tím, že nespouští built-in test shellu, ale externí...

[unchallenger]

Řada příkazů, které s tím počítají (např. tar) má také možnost načíst seznam souborů ze souboru -- mv, cp a rm mezi nimi tedy nejsou, ale u nich zase obvykle nebývá s xargs problém (u taru by byl).

[ivok]

Pokud se nepletu, tak ten limit je 20kB a je to limit pro délku přikazové řádky shellu...

Jinak nezmiňujete příkaz xargs, pokud ho neznáte, mohl by vám pomoci. Pokud ani ten nepomůže, tak nevím

[Pavel Čejka]

Existenci xargs jsem skutečně přehlédl. Zrovna koukám do manuálu, ale ani tak nenacházím nic co by mohlo mít pozitivní vliv v mém případě, protože počet znaků lze tak akorát zmenšit, případně nastavit nejvýše do 20k (tisíc, nebo kilobytů? - nevím, asi kilobytů, ale i tak je to málo). Možná zvětšit počet řádek? Jenže příkaz zabírá jen jeden řádek a ještě velmi krátký.

Mohl bych to řešit nějakým cyklem v shellu, ale to se mi vůbec nelíbí, postrádá to eleganci.

[unchallenger]

xargs přece dělá ten cyklus.

find adresář -type f -print0 | xargs -0 rm

smaže všechny soubory v adresáři (adresáře nechá), i kdyby jich bylo deset milionů, a spustí si rm, kolikrát je zapotřebí.

[Pavel Čejka]

Pro zajímavost:
Vytvořil jsem si adresář obsahující cca 17000 souborů, takže výrazně méně než bylo v původním, kde problém nastal a zkouším to na SuSE 8.2 skoro beze změn oproti defaultní instalaci.

• ls - zobrazí obsah standartním způsobem
• ls * - zobrazí chybu "bash: /bin/ls: Příliš dlouhý seznam argumentů"
• find adresar - zavolaný z nadřazeného adresáře funguje korektně
• find * - v adresáři s těmi 17000 soubory ohlásí chybu, viz. ls *
• find adresar/* - stejně jako find *
• find adresar | xargs -0 cat /dev/null - po odeslání ohlásí v podstatě stejnou chybu jako ls *, ale anglicky "xargs: arguments line too long", bez parametru -0 ohlásí "xargs: /bin/echo: terminated by signal 13" což je jak jsem si našel SIGPIPE "Broken pipe" - viz. man 7 signal

... takže to není zrovna to co by bylo možné akceptovat, ještě se tím budu zabývat. Evidentně to opravdu je omezením délky příkazového řádku, ale jak to obejít?

[Yeti]

,Cokoli *` selže, tím se nemá smysl zabývat, na konkrétním příkazu nezáleží.

xargs -0 patří k -print0 u findu, pokud nepíšeš -print0, nepiš ani argument -0 xargsu

cat /dev/null má být cat >/dev/null?

IMHO děláš něco špatně, ale nepoznám co.

Vyrobil jsem si přes 19k souborů (prázdných) v jednom adresáři, celková délka jmen je přes 200 kB.

find | xargs cat

proběhne v pořádku a hned (nic nevypíše, protože jsou prázdné).

find | xargs echo | wc -l

proběhne v pořádku a hned a navíc se dozvím, že se echo spustilo dvacetkrát (bez wc je pěkně vypíše).

find -type f | xargs ls

je vypíše stejně dobře, a pomocí

find -type f | xargs rm

jsem je zase všechny smazal.

Zkrátka všechno funguje, jak má. Porucha je zřejmě na vašem přijímači...

[Peter Golis]

>find adresar | xargs -0 cat /dev/null -
zeby:
find adresar | xargs -i echo rm -v {}
ja som to pouzival takto ;-?

[Leoš Literák]

ja radsi:

find . -exec rm {} ";"

Jo, to je klasicky Unix - urcite se najde dalsich X lidi, ktery popisi sve oblibene triky, jak dosahnout efektivne tehoz. Tomu rikam svoboda volby!

[Pavel Čejka]

Něco podobného mi už funguje taky. Postupně jsem se dopracoval k např. find $SOURCEDIR -type f -exec mv {} $TARGETDIR \;
find $SOURCEDIR -type f -exec -name "jmé*boru" mv {} $TARGETDIR \;

[Yeti]

Proč ne

find $SOURCEDIR -type -f | xargs mv --target=directory=$TARGETDIR

o kterém jsem tu psal už dávno?

[Zaphod]

xargs odovzda cely retazec volanemu programu, preto znovu ta ista chyba. Malo by pomoct
find adresar -print0 | xargs -0 -l1 cat >/dev/null
- xargs odovzda volanemu programu iba jeden parameter

pripadne pre zrychlenie skusat co prikazovy riadok znesie (-l=20, 50, 100?)

[Michal Marek (twofish)]

Minimalne GNU xargs se chova chytre a spousti procesy s takovou delkou radky, aby se to veslo do limitu. Ale kdyz nekdo zada ze parametry budou oddelene nulou a pak tam nacpe nekolik MB dlouhy retezec bez nuly, tak je to problem...

[Petr Mika]

Problem je v tomto pripade spusobeny expansi vyrazu

pokud hledate soubory pomoci napr. hvezdickove konvence *blabla provede se to ze shell se snazi vyhledat veskere odpovidajici zaznamy a tepve pote z nich vytvori seznam parametru ktery predava spoustenemu programu, tedy napr.

mv 1* nekde/jinde/

provede to ze se shell snazi najit vsechny odpovidajici soubory a ty potom tlaci prikazu mv jako spoustu parametru, pote spusteni zkape prave na tom ze seznam argumentu je prilis dlouhy

pokud potrebujete zpracovat velke mnozstvi soubru v zavislosti na nejakych pravidlech, napr.:

1. vsechny nulove soubory smazat

2. vsechny soubory mezi 1K a 1Mb presunout do slozky aaa/

3. vsechny soubory vetsi nez 1Mb zabalit a presunout do slozky bbb/

tak nejlip asi udelate pokud si pro kazde pravidlo napisete odpovidajici sekvenci pro find a pouzijete parametr -exec

[unchallenger]

Může mi někdo vysvětlit, proč tu tolik lidí tvrdošíjně doporučuje -exec, když xargs udělá obvykle totéž, jenže lépe, protože ten program spustí jen tolikrát, kolikrát je zapotřebí, a ne na každý soubor zvlášť?

-exec je krajní řešení pro situace, kdy nejde použít rouru, ať už přes xargs nebo přes něco jiného (nebo kdy je zapotřebí otestovat soubor způsobem, který find sám neumí).

Všechny nulové soubor smazat:

find adr -type f -size 0c | xargs rm

Všechny soubory mezi 1kB a 1MB přesunout do adresáře aaa:

find adr -type f -size +1k -size -1024k | xargs mv --target-directory=aaa

Všechny soubory větší než 1MB zabalit a přesunout do adresáře bbb:

find adr -type f -size +1024k | tar -cf bbb/archiv.tar -T -

[Tomas]

#!/bin/bash
find . -name '*.dat' -ctime 1 | \
 while read fname ; do 
   echo $fname
   # libovolne dalsti testy a operace s $fname 
 done

lze případně přímo napsat na jeden (delší) příkazový řádek

[Michal Marek (twofish)]

Chudak Yeti :)

Navic tohle selze na soubory s mezerou nebo tab v nazvu a na soubory s newline v nazvu to spusti telo toho cyklu na kazdou radku nazvu zvlast.

Hint: find -print0 | xargs -0

[Yeti]

Já asi tento thread vzdávám... aspoň že zatím nikdo nepřišel s třicetiřádkovým skriptem v bashi [nedokonale] emulujícím find... ;-)

[Pavel Čejka]

Díky všem, pochopeno, problém vyřešen.