Linux删除重复行 排序和不排序的做法

本文部分翻译自这里，来自 Jadu Saikia 的博客，这个博客上有很多非常有用的小技巧，有空可以多看看。

通常如果我们想获取一个文件里不重复的行的时候，我们可以直接通过 sort -u 命令，先把文件排序，然后去掉连续的重复行就行。

可是，如果我们去掉重复行之后，还想保留文件原有的顺序，该怎么办呢？虽然 Linux 下有个看上去似乎很有用的命令叫uniq，但事实上 uniq 命令仅仅只对连续的重复行有效。譬如我们有这样一个文件：

$ cat file3
AAAA
FFFF
BBBB
BBBB
CCCC
AAAA
FFFF
DDDD

如果不排序，直接使用 uniq 命令是没有用的：

$ uniq file3
AAAA
FFFF
BBBB
CCCC
AAAA
FFFF
DDDD

使用 sort -u 的话，我们就丢失了文件原有的行的顺序了：

$ sort -u file3
AAAA
BBBB
CCCC
DDDD
FFFF

sort 和 uniq 一起用，和 sort -u 效果是一样的：

$ sort file3 | uniq
AAAA
BBBB
CCCC
DDDD
FFFF

一个终极的解决方案是使用 awk：

$ awk ' !x[$0]++' file3
AAAA
FFFF
BBBB
CCCC
DDDD

简要解释一下，awk 的基本执行流程是，对文件的每一行，做一个指定的逻辑判断，如果逻辑判断成立，则执行指定的命令；如果逻辑判断不成立，则直接跳过这一行。

我们这里写的 awk 命令是 !x[$0]++，意思是，首先创建一个 map 叫 x，然后用当前行的全文 $0 作为 map 的 key，到 map 中查找相应的 value，如果没找到，则整个表达式的值为真，可以执行之后的语句；如果找到了，则表达式的值为假，跳过这一行。由于表达式之后有 ++，因此如果某个 key 找不到对应的 value，该 ++ 操作会先把对应的 value 设成 0，然后再自增成 1，这样下次再遇到重复的行的时候，对应的 key 就能找到一个非 0 的 value 了。

我们前面说过，awk 的流程是先判断表达式，表达式为真的时候就执行语句，可是我们前面写的这个 awk 命令里只有表达式，没有语句，那我们执行什么呢？原来，当语句被省略的时候，awk 就执行默认的语句，即打印整个完整的当前行。就这样，我们通过这个非常简短的 awk 命令实现了去除重复行并保留原有文件顺序的功能。