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中执行shell脚本的4种方法总结,即在Linux中运行shell脚本的4种方法,需要的朋友可以参考下2014-08-08
这篇文章主要介绍了linux获取系统启动时间的示例,需要的朋友可以参考下2014-02-02
这篇文章主要为大家详细介绍了Linux Shell中实现字符串处理的方法，文中的示例代码讲解详细，具有一定的借鉴价值，感兴趣的可以了解一下2022-09-09
这篇文章主要介绍了Shell根据日期、月份、星期判断年份的代码,需要的朋友可以参考下2016-12-12
这篇文章主要介绍了Shell脚本实现监控kingate并自动启动,本文直接给出实现代码,需要的朋友可以参考下2014-12-12
示例的文件目录结构：我在/home下操作，自动脚本名称为backup.sh（放置于/home目录下），VPS本地本分目录为/home/backup2013-01-01
这篇文章主要介绍了Linux下科学计数法(e)转化为数字的方法，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2020-05-05
在Linux系统中,通过命令行界面可以方便地修改文件名,本篇博客将介绍几种常见的方法,包括mv命令、rename命令、find和mv命令的组合、sed命令以及使用bash脚本,这些方法可以根据实际需求进行选择,提供了灵活性和多样性,需要的朋友可以参考下2024-01-01
shc是一个加密shell脚本的工具.它的作用是把shell脚本转换为一个可执行的二进制文件2013-01-01
这篇文章主要介绍了centos/rhel下实现nginx自启动脚本,需要的朋友可以参考下2014-07-07
最新评论