在 bash/ubuntu 中对数百万个字符串进行快速 md5sum

我需要 ubuntu 上的 bash 脚本中大约 300 万个字符串的 MD5 和。 300 万个字符串 -> 300 万个 MD5 哈希值。每个字符串的简单实现大约需要 0.005 秒。就这样4个多小时了。存在哪些更快的替代方案？有没有办法将字符串组泵入 md5sum 中？

#time md5sum running 100 times on short strings
#each iteration is ~0.494s/100 = 0.005s
time (for i in {0..99}; do md5sum <(echo $i); done) > /dev/null

real    0m0.494s
user    0m0.120s
sys     0m0.356s

一个好的解决方案将包括一个 bash/Perl 脚本，该脚本从 stdin 获取字符串列表并输出其 MD5 哈希值列表。

使用许多 md5 实现中的任何一种在 C（或 Perl 或 Python）中执行此操作并不困难 - md5 的核心是一个从字符向量到字符向量的哈希函数。

因此，只需编写一个外部程序来读取 300 万个字符串，然后将它们一一输入到您选择的 md5 实现中。这样您就可以启动一个程序而不是 300 万个，仅此一点就可以节省您的时间。

FWIW 在一个项目中，我使用了 Christophe Devine 的 md5 实现（用 C 语言），还有 OpenSSL，我确信 CPAN 也会有一些用于 Perl 的 md5 实现。

Edit:好吧，没忍住。我提到的 md5 实现是例如里面这个小压缩包 http://dirk.eddelbuettel.com/code/digest/digest-current.tar.gz。拿走文件md5.c并替换（#ifdef'ed out）main()在底部这个

int main( int argc, char *argv[] ) {
    FILE *f;
    int j;
    md5_context ctx;
    unsigned char buf[1000];
    unsigned char md5sum[16];

    if( ! ( f = fopen( argv[1], "rb" ) ) ) {
        perror( "fopen" );
        return( 1 );
    }

    while( fscanf(f, "%s", buf) == 1 ) {
        md5_starts( &ctx );
        md5_update( &ctx, buf, (uint32) strlen((char*)buf) );
        md5_finish( &ctx, md5sum );

        for( j = 0; j < 16; j++ ) {
            printf( "%02x", md5sum[j] );
        }
        printf( " <- %s\n", buf );
    }
    return( 0 );
}

构建一个简单的独立程序，例如在

/tmp$ gcc -Wall -O3 -o simple_md5 simple_md5.c

然后你会得到这个：

# first, generate 300,000 numbers in a file (using 'little r', an R variant)
/tmp$ r -e'for (i in 1:300000) cat(i,"\n")' > foo.txt

# illustrate the output
/tmp$ ./simple_md5 foo.txt | head
c4ca4238a0b923820dcc509a6f75849b <- 1
c81e728d9d4c2f636f067f89cc14862c <- 2
eccbc87e4b5ce2fe28308fd9f2a7baf3 <- 3
a87ff679a2f3e71d9181a67b7542122c <- 4
e4da3b7fbbce2345d7772b0674a318d5 <- 5
1679091c5a880faf6fb5e6087eb1b2dc <- 6
8f14e45fceea167a5a36dedd4bea2543 <- 7
c9f0f895fb98ab9159f51fd0297e236d <- 8
45c48cce2e2d7fbdea1afc51c7c6ad26 <- 9
d3d9446802a44259755d38e6d163e820 <- 10

# let the program rip over it, suppressing stdout
/tmp$ time (./simple_md5 foo.txt > /dev/null)

real    0m1.023s
user    0m1.008s
sys     0m0.012s
/tmp$

对于 300,000 个（短）字符串来说，这大约是一秒。