shell兩個(gè)文件去重的方式

本篇內(nèi)容主要講解“shell兩個(gè)文件去重的方式”，感興趣的朋友不妨來看看。本文介紹的方法操作簡單快捷，實(shí)用性強(qiáng)。下面就讓小編來帶大家學(xué)習(xí)“shell兩個(gè)文件去重的方式”吧!

前言

大家都知道shell在文本處理上確有極大優(yōu)勢，比如多文本合并、去重等，但是最近遇到了一個(gè)難搞的問題，即兩個(gè)大數(shù)據(jù)量文件去重。下面來看看詳細(xì)的介紹吧。

要求 

有txt文件A.txt和B.txt。

其中A為關(guān)鍵詞和搜索量，以逗號(hào)分隔，約90萬行。

B為關(guān)鍵詞，約400萬行。

需要從A中找出與B重復(fù)的關(guān)鍵詞。

我試了N種姿勢，但結(jié)果都不盡人意，最奇怪的是有些方法對(duì)小數(shù)據(jù)量的測試文件有用，一旦用在A與B上就會(huì)失敗，真叫人百思不得其解。

姿勢一：

awk -F, '{print $1}' A >keywords.txt
cat keywords.txt B.txt | sort | uniq -d
 
#先從A.txt種取出關(guān)鍵詞，然后與B.txt一起打開，用sort排序，uniq -d 取出重復(fù)的行

姿勢二：

awk -F, '{print $1}' A >keywords.txt
#照例先取出關(guān)鍵詞
 
comm -1 -2 keywords.txt B.txt
#利用comm命令，顯示兩個(gè)文件都存在的行

姿勢三：

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 >>重復(fù)關(guān)鍵詞.txt
  fi
done
 
#這種姿勢就稍微復(fù)雜點(diǎn)
#首先取出關(guān)鍵詞，然后利用for循環(huán)逐個(gè)去B.txt里面匹配（注意正則寫法^$i$），如果匹配到的結(jié)果數(shù)不為0，說明這個(gè)關(guān)鍵詞是重復(fù)的，然后輸出
#這種方法的優(yōu)點(diǎn)是穩(wěn)妥，缺點(diǎn)是效率太TM低了，90萬個(gè)詞逐一與400萬詞匹配，shell默認(rèn)又沒有多線程，耗時(shí)太長。

姿勢四：

awk -F, '{print $1}' A >keywords.txt
cat keywords.txt B.txt | awk '!a[$1]++'
 
#這個(gè)方法的原理其實(shí)我不太懂，awk命令實(shí)在太強(qiáng)大太高深了，但是這種方法又簡潔又快速

其實(shí)還有一種grep -v 、grep -f 的方法，但是我沒有試過，所以不在這里列出了。

到此，相信大家對(duì)“shell兩個(gè)文件去重的方式”有了更深的了解，不妨來實(shí)際操作一番吧！這里是億速云網(wǎng)站，更多相關(guān)內(nèi)容可以進(jìn)入相關(guān)頻道進(jìn)行查詢，關(guān)注我們，繼續(xù)學(xué)習(xí)！