欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  网络运营

shell两个文件去重的多种姿势

程序员文章站 2022-04-05 22:27:22
前言 大家都知道shell在文本处理上确有极大优势,比如多文本合并、去重等,但是最近遇到了一个难搞的问题,即两个大数据量文件去重。下面来看看详细的介绍吧。 要求&nbs...

前言

大家都知道shell在文本处理上确有极大优势,比如多文本合并、去重等,但是最近遇到了一个难搞的问题,即两个大数据量文件去重。下面来看看详细的介绍吧。

要求 

有txt文件a.txt和b.txt。

其中a为关键词和搜索量,以逗号分隔,约90万行。

b为关键词,约400万行。

需要从a中找出与b重复的关键词。

我试了n种姿势,但结果都不尽人意,最奇怪的是有些方法对小数据量的测试文件有用,一旦用在a与b上就会失败,真叫人百思不得其解。

姿势一:

awk -f, '{print $1}' a >keywords.txt
cat keywords.txt b.txt | sort | uniq -d
 
#先从a.txt种取出关键词,然后与b.txt一起打开,用sort排序,uniq -d 取出重复的行

姿势二:

awk -f, '{print $1}' a >keywords.txt
#照例先取出关键词
 
comm -1 -2 keywords.txt b.txt
#利用comm命令,显示两个文件都存在的行

姿势三:

awk -f, '{print $1}' a >keywords.txt
for i in `cat keywords.txt`
do
  a=`egrep -c "^$i$" b.txt`
  if [ $a != 0 ]
  then
    echo $i >>重复关键词.txt
  fi
done
 
#这种姿势就稍微复杂点
#首先取出关键词,然后利用for循环逐个去b.txt里面匹配(注意正则写法^$i$),如果匹配到的结果数不为0,说明这个关键词是重复的,然后输出
#这种方法的优点是稳妥,缺点是效率太tm低了,90万个词逐一与400万词匹配,shell默认又没有多线程,耗时太长。

姿势四:

awk -f, '{print $1}' a >keywords.txt
cat keywords.txt b.txt | awk '!a[$1]++'
 
#这个方法的原理其实我不太懂,awk命令实在太强大太高深了,但是这种方法又简洁又快速

其实还有一种grep -vgrep -f 的方法,但是我没有试过,所以不在这里列出了。

总结

以上就是这篇文章的全部内容了,希望本文的内容对大家的学习或者工作能带来一定的帮助,如果有疑问大家可以留言交流。