Shell在大数据时代的魅力:从一道百度大数据面试题想到的点滴

对于在Linux下开发的同学来说，Shell可以说是一种基本功。

对于运维的同学来说，Shell可以说是一种必备的技能，而且应该要非常熟练的书写Shell。对于Release Team，软件配置管理的同学来说，Shell也起到了非常重要的作用。尤其是分布式系统发展的如火如荼，很多开源项目都开展的如火如荼（好像不是分布式的系统都不好意思拿出来说事）。分布式系统的配置，管理，Shell也起到了非常重要的作用，虽然只是简单的文件拷贝，但是谁让Shell天生是做这些的呢？

当然了，以上不是本文的主题。本文的主题是Shell在大数据分析领域的作用。

看一代经典的百度面试题吧：

对于一个用户日志文件，每行记录了一个用户查询串，长度为1-255字节，共几千万行，请排出查询最多的前100条。 日志可以自己构造。

对于使用C++， Java的同学来说，这个不是说几分钟就可以把可运行的代码搞定的。这个怎么样也得几十行代码吧。当然了，这个也可以考察一个同学编程，设计的基本能力。

但是我相信，如果你能用Shell来完成，面试官，或者至少是我，会很满意，因为Shell天生就是做这个的：

一行代码搞定：

awk '{print $1}' $file | sort | uniq -c | sort -k1nr | head -n$100

不用担心内存的问题，因为这几千万条数据完全可以装在内存中，而且，现在集群中的可用节点，没有几十G的内存都不好意思活着（当然了如果你们生产环境下的机器还是个位数的内存，那么你们。。。）。

尤其是你上线了自己的某个Feature，可能想很快的看一下相关的数据，那么把某个时间段的数据拿来分析一下，可以很好的去评估一下上线Feature的性能，等等。