shell两个文件去重的多种姿势
更新时间：2016年12月19日 14:14:07 作者：林间
最近在利用shell帮公司优化挖掘关键词的流程，用shell替代了多个环节的操作，极大提高了工作效率。下面这篇文章就给大家分享了利用shell实现两个文件去重的多种姿势，有需要的朋友们可以参考借鉴，下面来一起看看吧。
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 -v 、grep -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。
相关文章
这篇文章主要介绍了linux自动清理日志脚本，主要功能是清理所有目录的日志，根据给定日志目录,删除时间 结合crontab进行清理日志2014-01-01
这篇文章主要介绍了Bash Shell中忽略大小写的设置方法,本文还讲解了其它的一些方便输入命令的设置,如关闭显示隐藏文件、只按一次TAB键、搜索历史命令等技巧,需要的朋友可以参考下2015-04-04](//img.jbzj.com/images/xgimg/bcimg2.png)
shell脚本学习指南[三](Arnold Robbins & Nelson H.F. Beebe著)
这篇文章主要介绍了shell脚本学习指南[三](Arnold Robbins & Nelson H.F. Beebe著),需要的朋友可以参考下2014-02-02
这篇文章主要介绍了Shell脚本实现自动检测修改最快的Ubuntu软件源,本文先是讲解了实现的思路,并给了实现脚本源码,需要的朋友可以参考下2014-10-10
下面小编就为大家带来一篇Linux下JDK中文字体乱码的解决方法。小编觉得挺不错的，现在就分享给大家，也给大家做个参考。一起跟随小编过来看看吧2017-02-02
这篇文章主要为大家详细介绍了shell脚本实现猜数游戏，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2020-04-04
在Linux中，压缩与解压用得最多的tar.tar命令确实很厉害。下面通过本文给大家分享linux下的tar命令详细解释，感兴趣的朋友一起看看吧2017-08-08
这篇文章主要介绍了Linux bash Shell中的变量类型详解,变量类型共分为本地变量、局部变量、环境变量、位置变量和特殊变量等,需要的朋友可以参考下2015-06-06
在Linux系统中,我们可以使用多个命令来查看内存使用情况,其中比较常用的命令有free、top、ps和sar,使用free命令可以查看系统内存的使用情况,这些命令可以帮助我们快速了解系统内存的使用情况,从而更好地进行内存管理和优化,需要的朋友可以参考下2024-01-01
查找当前目录下大于1M的文件的三种方法，有需要的朋友可以参考下2013-02-02
](http://img.jbzj.com/images/xgimg/bcimg2.png)
最新评论