shell兩個文件去重的方式

本篇內容主要講解“shell兩個文件去重的方式”，感興趣的朋友不妨來看看。本文介紹的方法操作簡單快捷，實用性強。下面就讓小編來帶大家學習“shell兩個文件去重的方式”吧!

前言

大家都知道shell在文本處理上確有極大優勢，比如多文本合并、去重等，但是最近遇到了一個難搞的問題，即兩個大數據量文件去重。下面來看看詳細的介紹吧。

要求 

有txt文件A.txt和B.txt。

其中A為關鍵詞和搜索量，以逗號分隔，約90萬行。

B為關鍵詞，約400萬行。

需要從A中找出與B重復的關鍵詞。

我試了N種姿勢，但結果都不盡人意，最奇怪的是有些方法對小數據量的測試文件有用，一旦用在A與B上就會失敗，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種取出關鍵詞，然后與B.txt一起打開，用sort排序，uniq -d 取出重復的行

姿勢二：

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

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 >>重復關鍵詞.txt
  fi
done
 
#這種姿勢就稍微復雜點
#首先取出關鍵詞，然后利用for循環逐個去B.txt里面匹配（注意正則寫法^$i$），如果匹配到的結果數不為0，說明這個關鍵詞是重復的，然后輸出
#這種方法的優點是穩妥，缺點是效率太TM低了，90萬個詞逐一與400萬詞匹配，shell默認又沒有多線程，耗時太長。

姿勢四：

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

其實還有一種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“shell兩個文件去重的方式”有了更深的了解，不妨來實際操作一番吧！這里是億速云網站，更多相關內容可以進入相關頻道進行查詢，關注我們，繼續學習！