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
<a target="_blank"></a>
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)
<code># 假如你是ubuntu: sudo apt-get install miscfiles</code>
<code>wget https://raw.githubusercontent.com/fxsjy/jieba/master/extra_dict/dict.txt.big</code>
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：
<code>cat make_words.py</code>
<code># coding=utf-8</code>
<code></code>
<code>import os</code>
<code>import random</code>
<code>from cstringio import stringio</code>
<code>en_word_file = '/usr/share/dict/words'</code>
<code>cn_word_file = 'dict.txt.big'</code>
<code>with open(en_word_file) as f:</code>
<code>en_data = f.readlines()</code>
<code>with open(cn_word_file) as f:</code>
<code>cn_data = f.readlines()</code>
<code>mb = pow(1024, 2)</code>
<code>size_list = [1, 10, 100, 500, 1024, 1024 * 5]</code>
<code>en_result_format = 'text_{0}_en_mb.txt'</code>
<code>cn_result_format = 'text_{0}_cn_mb.txt'</code>
<code>def write_data(f, size, data, cn=false):</code>
<code>total_size = 0</code>
<code>while 1:</code>
<code>s = stringio()</code>
<code>for x in range(10000):</code>
<code>cho = random.choice(data)</code>
<code>cho = cho.split()[0] if cn else cho.strip()</code>
<code>s.write(cho)</code>
<code>s.seek(0, os.seek_end)</code>
<code>total_size += s.tell()</code>
<code>contents = s.getvalue()</code>
<code>f.write(contents + '\n')</code>
<code>if total_size > size:</code>
<code>break</code>
<code>f.close()</code>
<code>for index, size in enumerate([</code>
<code>mb,</code>
<code>mb * 10,</code>
<code>mb * 100,</code>
<code>mb * 500,</code>
<code>mb * 1024,</code>
<code>mb * 1024 * 5]):</code>
<code>size_name = size_list[index]</code>
<code>en_f = open(en_result_format.format(size_name), 'a+')</code>
<code>cn_f = open(cn_result_format.format(size_name), 'a+')</code>
<code>write_data(en_f, size, en_data)</code>
<code>write_data(cn_f, size, cn_data, true)</code>
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：
<code>import multiprocessing</code>
<code>inputs = []</code>
<code>def map_func(args):</code>
<code>f = open(f, 'a+')</code>
<code>_f, size, data, cn = args</code>
<code>write_data(_f, size, data, cn)</code>
<code>inputs.append((en_result_format.format(size_name), size, en_data, false))</code>
<code>inputs.append((cn_result_format.format(size_name), size, cn_data, true))</code>
<code>pool = multiprocessing.pool()</code>
<code>pool.map(map_func, inputs, chunksize=1)</code>
等待一段时间后，测试的文件生成了。目录下是这样的：
<code>$ls -lh</code>
<code>total 14g</code>
<code>-rw-rw-r-- 1 vagrant vagrant 2.2k mar 14 05:25 benchmarks.ipynb</code>
<code>-rw-rw-r-- 1 vagrant vagrant 8.2m mar 12 15:43 dict.txt.big</code>
<code>-rw-rw-r-- 1 vagrant vagrant 1.2k mar 12 15:46 make_words.py</code>
<code>-rw-rw-r-- 1 vagrant vagrant 101m mar 12 15:47 text_100_cn_mb.txt</code>
<code>-rw-rw-r-- 1 vagrant vagrant 101m mar 12 15:47 text_100_en_mb.txt</code>
<code>-rw-rw-r-- 1 vagrant vagrant 1.1g mar 12 15:54 text_1024_cn_mb.txt</code>
<code>-rw-rw-r-- 1 vagrant vagrant 1.1g mar 12 15:51 text_1024_en_mb.txt</code>
<code>-rw-rw-r-- 1 vagrant vagrant 11m mar 12 15:47 text_10_cn_mb.txt</code>
<code>-rw-rw-r-- 1 vagrant vagrant 11m mar 12 15:47 text_10_en_mb.txt</code>
<code>-rw-rw-r-- 1 vagrant vagrant 1.1m mar 12 15:47 text_1_cn_mb.txt</code>
<code>-rw-rw-r-- 1 vagrant vagrant 1.1m mar 12 15:47 text_1_en_mb.txt</code>
<code>-rw-rw-r-- 1 vagrant vagrant 501m mar 12 15:49 text_500_cn_mb.txt</code>
<code>-rw-rw-r-- 1 vagrant vagrant 501m mar 12 15:48 text_500_en_mb.txt</code>
<code>-rw-rw-r-- 1 vagrant vagrant 5.1g mar 12 16:16 text_5120_cn_mb.txt</code>
<code>-rw-rw-r-- 1 vagrant vagrant 5.1g mar 12 16:04 text_5120_en_mb.txt</code>
<code>$ ack --version # ack在ubuntu下叫`ack-grep`</code>
<code>ack 2.12</code>
<code>running under perl 5.16.3 at /usr/bin/perl</code>
<code>copyright 2005-2013 andy lester.</code>
<code>this program is free software. you may modify or distribute it</code>
<code>under the terms of the artistic license v2.0.</code>
<code>$ ag --version</code>
<code>ag version 0.21.0</code>
<code>$ grep --version</code>
<code>grep (gnu grep) 2.14</code>
<code>copyright (c) 2012 free software foundation, inc.</code>
<code>license gplv3+: gnu gpl version 3 or later <http://gnu.org/licenses/gpl.html>.</code>
<code>this is free software: you are free to change and redistribute it.</code>
<code>there is no warranty, to the extent permitted by law.</code>
<code>written by mike haertel and others, see <http://git.sv.gnu.org/cgit/grep.git/tree/authors>.</code>
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：
<code>import re</code>
<code>import glob</code>
<code>import subprocess</code>
<code>import cpickle as pickle</code>
<code>from collections import defaultdict</code>
<code>imap = {</code>
<code>'cn': ('豆瓣', '小明明'),</code>
<code>'en': ('four', 'python')</code>
<code>}</code>
<code>options = ('', '-i', '-v')</code>
<code>files = glob.glob('text_*_mb.txt')</code>
<code>en_res = defaultdict(dict)</code>
<code>cn_res = defaultdict(dict)</code>
<code>res = {</code>
<code>'en': en_res,</code>
<code>'cn': cn_res</code>
<code>regex = re.compile(r'text_(\d+)_(\w+)_mb.txt')</code>
<code>call_str = '{command} {option} {word} {filename} > /dev/null 2>&1'</code>
<code>for filename in files:</code>
<code>size, xn = regex.search(filename).groups()</code>
<code>for word in imap[xn]:</code>
<code>_r = defaultdict(dict)</code>
<code>for command in ['grep', 'ack', 'ag']:</code>
<code>for option in options:</code>
<code>rs = %timeit -o -n10 subprocess.call(call_str.format(command=command, option=option, word=word, filename=filename), shell=true)</code>
<code>best = rs.best</code>
<code>_r[command][option] = best</code>
<code>res[xn][word][size] = _r</code>
<code># 存起来</code>
<code>data = pickle.dumps(res)</code>
<code>with open('result.db', 'w') as f:</code>
<code>f.write(data)</code>
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
chart
chart-7
----------------------------------------------------------------------------------------------------------------------------