Optimisation des perfs d'un script perl

**photorelief** · 10/11/2009, 10h28

Bonjour,

Je dispose d'un script qui traite un fichier plat pour en entraire un CSV.
J'ai un problème de performance.
Le script met 55s pour traiter 10000 lignes.
Mes fichiers font 1 526 843 lignes soit en gros 8397s => plus de 2h
J'ai 40 fichiers à traiter toutes les nuits et une nuit ne dure pas 80h donc il faudrait que j'optimise le code pour réduire le temps d'execution du script.
Mais je ne sais pas quoi corriger, il y a peut-être des fonctions moins consomatrice que d'autres...
Pouvez-vous m'aider?
Merci

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
 
#!/usr/bin/perl 
 
use strict;
use warnings;
#use Benchmark;
use Time::HiRes;
 
my $g__LogSource  = $ARGV[0];
my $g__LogDest    = $ARGV[1];
 
 
#**************************************************************************************
#*  Proc‰dure:                 CheckVersion($)
#*  Objectif:                  Permet de v‰rifier si le fichier d'entr‰e est de version
#*                              4, 5 ou de format non conforme 
#*  Valeur de Retour:          0 si le fichier est de format invalide
#*                             1 sinon
#*  Fonction appel‰e par:      Main EXECUTION
#*  Fonction fait appels €:           
#**************************************************************************************
sub CheckVersion($)
{
    my $cmd = `head -1 $g__LogSource`;
    if (($cmd !~ "#Software: SGOS 4") and ($cmd !~ "#Software: SGOS 5"))
    {
        return(0);
    }
    else
    {
        if ($cmd =~ "#Software: SGOS 4")
        {
            return(1);
        }
        elsif ($cmd =~ "#Software: SGOS 5")
        {
            return (2);
        }
    }
}
 
 
 
 
#*************************************************************************************
#*  Proc‰dure:                 CloseFiles()
#*  Objectif:                  Montre comment utiliser le script avec
#*                            les bons argumentsrameters et quitte le script
#*  Valeur de Retour:  
#*  Fonction appel‰e par:    Main EXECUTION
#*  Fonction fait appels €:           
#*************************************************************************************
sub CloseFiles()
{
        close FICHIER_INPUT;
        close FICHIER_OUTPUT;
}
 
 
 
#**************************************************************************************
#                                   MAIN EXECUTION
#**************************************************************************************
if(scalar(@ARGV) != 2){
        print "Verifier l'existence de deux parametres\n";
        print "         <LOGFile_Entree> \t chemin complet du log brut\n ";
        print "         <LOGFile_Sortie> \t chemin complet du fichier de sortie (prefiltre)\n ";
        print "Exemple : perl onf.pl Entree.log Sortie.log\n";
        exit(1);
 
}
else{
    if (!CheckVersion($g__LogSource)){
        print "Le Fichier $g__LogSource n'est pas conforme au format attendu, le prefiltrage a ‰t‰ stopp‰ !\n";
        exit 1;
    }
    else{
 
        my $g__Ligne      = "";
        my @g__ListResult = ();
        open(FICHIER_INPUT, "< $g__LogSource") || die ("probleme d'ouverture du fichier en entr\211e (log brut
ONF)\n");
        open(FICHIER_OUTPUT, "> $g__LogDest")  || die ("probleme d'ouverture du fichier en sortie CSV ONF)\n");
        print FICHIER_OUTPUT "Date Heure time-taken cs-uri-sheme cs-host cs-uri-path msisdn c-ip\n";
        my $td = Time::HiRes::time;
        my $version=CheckVersion($g__LogSource);
        while (defined ($g__Ligne = <FICHIER_INPUT>)){
            next if ($g__Ligne =~ /^[#]/); 
            my $l__TempLigne = $g__Ligne;
            @g__ListResult = ();
 
            my $g__StrBeforeQuotes = undef;
            my $g__StrQuoted = undef;
            my $g__StrAfterQuotes = undef;
 
#my $start = new Benchmark;
#my $t1 = Time::HiRes::time;
#print "$t1\n";
 
            while (defined($l__TempLigne)){
 
                if ($l__TempLigne =~ /([^"]*)"([^"]*)"(.*)/){
                    ($g__StrBeforeQuotes,$g__StrQuoted,$g__StrAfterQuotes) = $l__TempLigne =~ /([^"]*)"([^"]*)"(.*)/;
                    if (defined($g__StrBeforeQuotes)){
                        #~ $g__StrBeforeQuotes contient un ou pls champs s‰par‰s par espace
                        @g__ListResult = (@g__ListResult, split (" ", $g__StrBeforeQuotes));
                    }
 
                    #~ La ligne de log commence par un champ avec guillemets
                    if (defined($g__StrQuoted)){
                        push (@g__ListResult, "\"$g__StrQuoted\"");
                    }
 
                    if (defined($g__StrAfterQuotes)){
                        $l__TempLigne = $g__StrAfterQuotes;
                        next;
                    }
                    else{
                        last;
                    }
                }
                else{
                    @g__ListResult = (@g__ListResult, split (" ", $l__TempLigne));
                    last;
                }
            }
 
         #my  $end = new Benchmark;
         #my $t2= Time::HiRes::time;
         #my  $diff = $t2 - $t1;
         #print "$t2\n";
         #print "DIFF : ";
         #printf("%f", $diff) ;
         #print "\n";
        ##############################################################################################################
        ## Format de $g__Ligne :
        ##    ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
        ##    |    0  |    1  |      2      |    3  |        4   |       5    |   6      |   7     |     8    |     9          |    10    |     11      |     12      |     13       |    14        |     15        |      16          |       17       |       18         |      19      |   20  |       21       |        22      |      23      |     24         |     25        | [26]    |     [27] |
        ##     --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
        ##    | date  | time  |  time-taken | c-ip  | sc-status  | s-action  | sc-bytes | cs-bytes | cs-method | cs-uri-scheme | cs-host  | cs-uri-port | cs-uri-path | cs-uri-query | cs-username  | cs-auth-group | rs(Content-Type) | cs(User-Agent) | sc-filter-result | cs-category  | s-ip  | c-connect-type | s-computername | connect-time | dnslookup-time | cs-categories | [MVNO]  | [STATUT] |
        ##     -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
        ##
        ## Format du Ouput
        ##
        ##    -----------------------------------------------------------------------------------
        ##    |    0  |    1  |     9          |   10    |     12      |    14        |     3  |
        ##     ----------------------------------------------------------------------------------
        ##    | date  | time  | cs-uri-scheme | cs-host  |cs-uri-path | cs-username  |   c-ip  | 
        ##     ----------------------------------------------------------------------------------
        ##
 
 
            if (((scalar(@g__ListResult) == 28) && ($version==2)) or ((scalar(@g__ListResult) == 26) && ($version==1))){
                print FICHIER_OUTPUT "$g__ListResult[0] $g__ListResult[1] $g__ListResult[9] $g__ListResult[10] $g__ListResult[12] $g__ListResult[14] $g__ListResult[3]\n";
            }
            else{
                print "onf.pl => $g__LogSource : une ligne ne correspond pas au format attendu\n";
            } 
        }
        my $tf = Time::HiRes::time;
        my  $di = $tf - $td;
        #print "$t2\n";
        print "DIFF FINAL : ";
        printf("%f", $di) ;
        print "\n";
        CloseFiles();
 
    }
}

**estofilo** · 10/11/2009, 12h16

Mais je ne sais pas quoi corriger, il y a peut-être des fonctions moins consomatrice que d'autres...
Pouvez-vous m'aider?

Il me semble que ton script passe son temps à appeler CheckVersion($g__LogSource) qui est une opération très lente relativement au reste et qui a toujours le même résultat.
Appelle plutôt cette fonction une seule fois et garde le résultat dans une variable que tu réutilises dans ta boucle.

**photorelief** · 10/11/2009, 15h40

J'ai supprimé la plupart des fonctions et j'ai fait la correction su checkversion et je suis passé pour 222 ligne à traité de 1s à 775ms.
C'est toujours trop.
Je pense que ce qui prend du temps c'est ça :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
 
 if ($l__TempLigne =~ /([^"]*)"([^"]*)"(.*)/){
                    ($g__StrBeforeQuotes,$g__StrQuoted,$g__StrAfterQuotes) = $l__TempLigne =~ /([^"]*)"([^"]*)"(.*)/;
                    if (defined($g__StrBeforeQuotes)){
                        #~ $g__StrBeforeQuotes contient un ou pls champs s‰par‰s par espace
                        @g__ListResult = (@g__ListResult, split (" ", $g__StrBeforeQuotes));
                    }
 
                    #~ La ligne de log commence par un champ avec guillemets
                    if (defined($g__StrQuoted)){
                        push (@g__ListResult, "\"$g__StrQuoted\"");
                    }
 
                    if (defined($g__StrAfterQuotes)){
                        $l__TempLigne = $g__StrAfterQuotes;
                        next;
                    }
                    else{
                        last;
                    }
                }
                else{
                    @g__ListResult = (@g__ListResult, split (" ", $l__TempLigne));
                    last;
                }
            }

C'est fait pour chaque ligne.

**estofilo** · 10/11/2009, 15h59

J'ai supprimé la plupart des fonctions et j'ai fait la correction su checkversion et je suis passé pour 222 ligne à traité de 1s à 775ms.

Il y a quelque chose qui cloche. Combien de fois au total est appelé cette fonction dans la version optimisée?

**djibril** · 10/11/2009, 16h11

Il faut également garder à l'esprit que le souci peut venir de l'algorithme qui est peut être mal pensé. As tu également essayé de regarder s'il y avait déjà des modules sur le CPAN voulant faire ce que tu veux ? C'est le premier réflexe à avoir.

**photorelief** · 10/11/2009, 19h28

L'objectif, c'était de faire vite.
Je me suis trompé, c'est pas 750ms mais 75ms.
Donc c'était bien l'appel à la fonction qui prenait du temps.
J'ai récris la partie qui me paraissait lente et je suis descendu à 60ms, exactement ce que je voulais.
Merci estofilo, c'était bien l'appel à la fonction qui prennais du temps.
Donc sans appel à la fonction 7min pour traiter 1,5 millions de lignes au lieu de 2h.

Encore MERCI.