超實用 parallel 指令教學

江湖闖久了，遇到資料處理相關的工作是常有的事，譬如為一堆 jpg 圖檔產生縮圖(thumbnail)，或者把一堆 TSV 檔轉換成 CSV 格式，又或者把一堆資料夾分別用 tar 指令壓縮起來，諸如此類的。

針對這些情況，我個人很常用 awk 指令(詳見 awk 指令教學)產生所需要的指令，再丟到 shell 逐一執行，例如：

$ ls -l *.jpg | awk '{ print "tar -czvf "$9".tar.gz "$9}' | sh

上述指令中 ls -l *.jpg | awk '{ print "tar -czvf "$9".tar.gz "$9}' 的部分是為每 1 個 jpg 檔案產生 1 個對應的壓縮指令的字串，例如當前資料夾下有 a.jpg 與 b.jpg 2 個檔案的話，就會產生下列 2 行字串：

tar -czvf a.jpg.tar.gz a.jpg
tar -czvf b.jpg.tar.gz b.jpg

上述字串再以 | sh 交給 shell 執行。

不過這種用法的缺點就是指令會逐一執行，如果有 300 個檔案，每個處理要 1 秒，那麼就得等待 300 秒才能完成工作。

如果能夠將這些工作平行處理，將可以大大減少執行時間，這就是本文要介紹的 parallel 指令的最大用途，讓人能在 shell 中平行處理多個指令，增加執行速度。

本文環境 #

• macOS
• Homebrew
• parallel
• findutils

$ brew install parallel findutils

使用 parallel 指令時， parallel 會顯示 1 段文字，希望大家如果寫論文或發表著作時有使用 parallel 處理資料的話，可以在引用的地方加上 parallel , 以幫助他們推廣這項工具，如果不想再次顯示這段文字，只要輸入以下指令：

$ parallel --citation

並輸入 will cite 後按 Enter 即可。

parallel 指令介紹 #

parallel 是 Unix-like 作業系統中常見的工具指令，可以讓使用者平行執行 shell scripts 或者指令，採 GPLv3 授權。

parallel 可以輕鬆地在多核心 CPU 上平行執行指令，最大程度地利用系統資源，加速執行速度。對於需要處理大型資料集或批量作業的工作非常有用。它也支援控制平行的執行數量、執行順序等等，可以跟各種指令搭配運用，相當強大！

parallel 指令的 syntax 如下：

$ parallel [要執行的指令] ::: [要執行的指令的參數]

例如平行執行 echo a, echo b 可以寫成：

$ parallel echo ::: a b

初次使用 parallel 指令 #

回到一開始以 awk 指令搭配 shell 執行多個工作的例子：

$ ls -l *.jpg | awk '{ print "tar -czvf "$9".tar.gz "$9}' | sh

上述指令只要將最後的 sh 改成 parallel 就能讓壓縮指令平行處理：

$ ls -l *.jpg | awk '{ print "tar -czvf "$9".tar.gz "$9}' | parallel

假設指令 ls -l *.jpg | awk '{ print "tar -czvf "$9".tar.gz "$9}' 產生下列字串：

tar -czvf a.jpg.tar.gz a.jpg
tar -czvf b.jpg.tar.gz b.jpg

parallel 的原理就是將上述字串以行為單位，分別交由新的 process 處理，預設情況下， parallel 會嘗試以最佳方式使用所有可用的 CPU 核心進行處理，以提高執行效率，所以上述 2 行指令很有可能是在 2 個完全不同的 processes 平行執行。

認識 parallel 的替代字串(replacement strings) #

在初次使用 parallel 的例子中，我們使用 ls 搭配 awk 產生指令字串，但其實使用 parallel 指令可以更簡單，只要搭配它的替代字串功能，可以不需要 awk 幫忙產生指令字串，最終簡化為下列指令：

$ ls *.jpg | parallel tar -czvf {}.tar.gz {}

上述指令中的 {} 就是 parallel 的替代字串，代表輸入進來的完整字串，假設 ls *.jpg 產生的是：

a.jpg
b.jpg

那麼 {} 就會是 a.jpg 與 b.jpg ，如果確定最後 parallel 執行的指令會長怎樣，可以加上 --dryrun 參數查看， --dryrun 參數只會列印 parallel 最後要執行的指令，但是不會執行，是 1 個一定要記住的參數！

$ ls *.jpg | parallel --dryrun tar -czvf {}.tar.gz {}

上述指令執行結果會類似以下：

tar -czvf a.jpg.tar.gz a.jpg
tar -czvf b.jpg.tar.gz b.jpg

如果你覺得 {} 包含副檔名很難看的話，還可以將第 1 個 {} 改為 {.} 拿掉副檔名：

ls *.jpg | parallel --dryrun tar -czvf {.}.tar.gz {}

上述指令執行結果會類似以下，可以看到 {.} 的作用是副檔名：

tar -czvf a.tar.gz a.jpg
tar -czvf b.tar.gz b.jpg

parallel 指令還提供很多替代字串可以使用，例如：

• {/} 去掉路徑， /home/a.txt 會變成 a.txt
• {/.} 去掉路徑與副檔名， /home/a.txt 會變成 a
• {//} 只保留路徑， /home/a.txt 會變成 /home

以檔案內容輸入 parallel #

parallel 除了可以使用 | 輸入字串之外，也可以用檔案方式輸入，例如下列檔案 input.txt 中紀錄 4 筆 IP 位址：

1.1.1.1
8.8.8.8
168.95.1.1
168.95.192.1

如果要用該檔案中的內容作為輸入字串，可以用參數 -a 指定檔案，例如：

$ parallel -a input.txt echo '{}'

上述指令執行結果如下，從結果可以看到 parallel 讀取到檔案中的 IP 字串：

1.1.1.1
8.8.8.8
168.95.1.1
168.95.192.1

如果我們想對 IP 內容做些操作，例如執行 whois 指令，並將結果寫到個別檔案，就可以用以下指令：

$ parallel -a input.txt whois {} ">" whois-{}.txt

p.s. 將執行結果輸出到個別檔案一定要用 ">"

上述執行結果成功之後，就會產生多個檔案，裡面都是 whois 指令的執行結果：

$ ls whois*
whois-1.1.1.1.txt      whois-168.95.1.1.txt   whois-168.95.192.1.txt whois-8.8.8.8.txt

如果不知道 parallel 指令執行什麼，同樣可以用 --dryrun 參數查看：

$ parallel --dryrun -a input.txt whois {1} ">" ip-{1}.txt

上述指令執行結果如下，可以看到是針對各個 IP 執行 whois 指令後輸出到個別檔案：

whois 1.1.1.1 > whois-1.1.1.1.txt
whois 8.8.8.8 > whois-8.8.8.8.txt
whois 168.95.1.1 > whois-168.95.1.1.txt
whois 168.95.192.1 > whois-168.95.192.1.txt

--colsep 參數 #

同樣以前面的 IP 位址為例。

如果很不幸地，你同事給你的檔案是下列形式，以空白分割欄位，那麼要怎麼只取出第 2 欄的 IP 做使用呢？

ip 1.1.1.1
ip 8.8.8.8
ip 168.95.1.1
ip 168.95.192.1

parallel 指令提供 --colsep 參數，可以讀取資料進來之後，再做分割，例如以空格為單位進行欄位分割，從 1 開始編號，可以用 {數字} 取得欄位值，以上述資料為例， IP 位於第 2 欄，所以可以用 {2} 取得 IP ：

$ parallel --dryrun --colsep " " -a input.txt whois {2} ">" whois-{2}.txt

上述指令執行結果如下，可以看到透過 --colsep 就能對字串做欄位分割，進而取得特定欄位的值：

whois 1.1.1.1 > whois-1.1.1.1.txt
whois 8.8.8.8 > whois-8.8.8.8.txt
whois 168.95.1.1 > whois-168.95.1.1.txt
whois 168.95.192.1 > whois-168.95.192.1.txt

--colsep 可以進一步簡化為 -C 參數：

$ parallel --dryrun -C " " -a input.txt whois {2} ">" whois-{2}.txt

如果輸入的字串擁有空白，例如開頭或結尾多 1 個空白，還可以加上 --trim 參數，將開頭或結尾的空白清除：

$ parallel --dryrun -C " " --trim rl -a input.txt whois {2} ">" ip-{2}.txt

--trim 參數支援 4 種設定：

• n 不清除空白
• l 清除左邊空白
• r 清除右邊空白
• rl 或 lr 清除左右邊空白，使用 --colsep 預設會清除開頭與結尾的空白

:::: 代表輸入檔案 #

前述範例我們都使用 -a 參數指定輸入檔案，但其實可以用 4 個冒號( :::: )取代 -a 參數：

$ parallel --dryrun whois {} ">" whois-{}.txt :::: input.txt

parallel 指令也提供 --arg-file-sep 參數可以將 4 個冒號 :::: 改為自己喜歡的符號，下列範例將 4 個冒號改為 /// ：

$ parallel --dryrun --arg-file-sep "///" whois {} ">" whois-{}.txt /// input.txt

#

::: 代表從命令列輸入(read from the command line)

除了 4 個冒號， parallel 指令也提供 3 個冒號 ::: 代表資料要從命令列輸入，下列範例直接從命令列將資料送給 parallel 指令：

$ parallel --dryrun whois {} ">" whois-{}.txt ::: 1.1.1.1 8.8.8.8

上述指令執行結果如下，可以看到 ::: 的效果：

whois 1.1.1.1 > whois-1.1.1.1.txt
whois 8.8.8.8 > whois-8.8.8.8.txt

parallel 指令也提供 --arg-sep 參數可以將 3 個冒號 ::: 改為自己喜歡的符號，下列範例將 3 個冒號改為 // ：

$ parallel --dryrun --arg-sep "//" whois {} ">" whois-{}.txt // 1.1.1.1 8.8.8.8

搭配 xargs 指令輸入資料 #

用 ::: 從命令列輸入固然方便，不過需要將資料合併為 1 行，如果不想合併的話，可以搭配 xargs 指令，讓我們直接貼上多行資料，例如下列 xargs 指令以換行做為單位將資料做為 parallel 的參數丟給 parallel 指令：

$ xargs -d\n | parallel --dryrun whois {} ">" whois-{}.txt

上述指令執行之後會等待我們輸入資料，可以複製以下內容並貼上：

1.1.1.1
2.2.2.2
3.3.3.3

最後按下 CTRL + d 代表結束輸入。

接著就會看到以下結果，其中最後 1 行是個空白，這顯然不是我們需要的結果，原因在於 xargs 將最後一行的空白也輸入給 parallel 指令：

whois 1.1.1.1 > whois-1.1.1.1.txt
whois 2.2.2.2 > whois-2.2.2.2.txt
whois 3.3.3.3 > whois-3.3.3.3.txt
whois '' > whois-''.txt

對付輸入空白的情況，可以在 parallel 指令加上 --no-run-if-empty 或是 -r 讓 parallel 指令忽略空白：

$ xargs -d\n | parallel --dryrun --no-run-if-empty whois {1} ">" whois-{1}.txt

多輸入源組合(combinations) #

parallel 指令也接受多個輸入來源，預設情況下 parallel 會將輸入來源做組合(combinations)，例如下列 2 個輸入源內容分別是：

A
B

與

D
E

如果將這 2 個輸入源都丟給 parallel 指令的話，就會產生 A D , A E , B D , B E 4 種組合(2 行乘以 2 行)，可以用以下指令模擬組合的情況：

$ parallel --dryrun echo {1} {2} ::: A B ::: D E

上述指令執行結果如下：

echo A E
echo A D
echo B D
echo B E

這時候第 1 個輸入源就代表欄位 1 {1} , 第 2 個輸入源就代表欄位 {2} 。

如果輸入源是 CSV 檔(以逗號作為分割)，第 2 個輸入源欄位數字就是第 1 個輸入源的最後 1 個數字 + 1 作為開始：

$ parallel --dryrun --colsep "," echo {1} {2} {3} {4} ::: A,B C,D ::: E,F G,H

上述執行結果如下：

echo A B E F
echo A B G H
echo C D E F
echo C D G H

連接輸入源 (–link 參數) #

如果你不想將多個輸入源以組合的方式連接，而是直接連接在一起的話，只要加上 --link 參數，就可以將資料直接連接在一起，例如：

$ parallel --dryrun --link echo {1} {2} ::: A B ::: D E

上述執行結果如下，可以看到 A 直接連上 B, B 直接連上 E, 而非以組合方式連接：

echo A D
echo B E

列印工作編號 (Job numbers) #

每個 parallel 的指令都有工作編號，假設共有 10 個工作要進行平行處理，那會為每個工作從 1 開始編號到 10, 如果想知道工作編號，可以用取代字串 {#} 列印：

$ parallel echo {#} {1} {2} ::: A B ::: D E

上述指令執行結果如下，可以看到共 4 個工作：

1 A D
2 A E
3 B D
4 B E

限制同時執行數 (–jobs 參數) #

如果想調整 parallel 同時執行數的話，可以用 --jobs 或 -j 參數指定數字，例如下列指令指定最多只能 2 個工作同時執行：

$ parallel --jobs 2 echo {1} {2} ::: A B ::: D E
A D
A E
B D
B E

每個工作都會有 1 個 Job slot number, 這個數字代表它在哪個 Job slot 中執行， parallel 用 Job slots 控制同時執行的數量，如果 2 個 Job slots 就代表最多可同時執行 2 個 Job, 如果有某個 Job slot 以及空了，就代表可以拿下一個 Job 出來執行，如果要知道 Job slot number 可以使用取代字串 {%} 查看：

$ parallel --jobs 2 echo {%} {1} {2} ::: A B ::: D E

上述指令執行結果如下，可以看到最多只有 2 個 Job slots:

1 A D
2 A E
1 B D
2 B E

顯示工作執行情況、進度 #

如果想知道工作的執行進度，例如幾個正在執行、幾個已經完成、平均完成執行的時間等等，可以加上 --eta 或 --progress 參數，例如：

$ parallel --eta sleep ::: 1 3 2 2 1 3 3 2 1

上述指令執行結果如下，可以看到工作數、執行時間等資訊：

Computers / CPU cores / Max jobs to run
1:local / 8 / 8

Computer:jobs running/jobs completed/%of started jobs/Average seconds to complete
ETA: 0s Left: 0 AVG: 0.22s  local:0/9/100%/0.3s

除了 --eta , --progress 參數之外，也可以用 --bar 參數，會改以進度條方式顯示：

$ parallel --bar sleep ::: 1 3 2 2 1 3 3 2 1

實用 parallel 指令集合 #

以下附上實用的 parallel 指令。

全部 TSV 檔轉 CSV 檔 #

$ parallel "tr '\t' ',' < {} > {.}.csv" ::: *.tsv

用 parallel 搭配 ffmpeg 指令產生寬度 20 pixels 的縮圖 #

如果用 shell script 產生每一張縮圖的話，可能會這樣寫：

$ for i in *jpg; ffmpeg -i $i -vf scale=20:-1 ${i%.*}_width_20px.jpg"; done;

但是改用 parallel 指令會變成下列形式，而且更快：

$ parallel "ffmpeg -i {} -vf scale=20:-1 {.}_width_20px.jpg" ::: *.jpg

用 find 指令搭配 parallel 與 grep 指令搜尋 txt 檔是否有指定字串 #

$ find <路徑> -name "*.txt" | parallel grep -q <字串> {}

總結 #

parallel 指令是強大的工具，憑藉其平行處理的能力以及可以與其他指令工具整合使用的彈性，讓我們能夠提升指令執行的效率。

本文僅針對常用、實用的功能進行介紹，但提到的部分也是 parallel 指令的冰山一角，有興趣的話，推薦可以進一步閱讀 GNU Parallel Tutorial ，相信有一些是一定能派上用場的！

以上！

Enjoy!

References #

GNU Parallel Tutorial — GNU Parallel 20231022 documentation