shell 如何实现两个表的join操作

shell 如何实现两个表的join操作

今天研究的一个问题是：在Shell 脚本中如何实现两个表的 join 操作，这里说的两个表示的其实是 两个文件，但是文件是列表的形式，有固定的分割符号，即就相当于hive中一个非分区表的文件。
表的操作当然是在数据库中操作是最好的： 比如有: table1 table2，我们需要根据 column1 主键关联

select * from table1 a table2 b where a.column1 = b.column1

搞定。如果需要复杂一点的，可以用 join 操作实现。

但是如果你手上刚好有两个文件呢？一种办法是导入数据库，这样太慢了，下面用shell命令实现。

数据样例

• 假设 table1.txt 文件的样例数据如下：

daacdaaedyWcMIV=        http://mp.weixin.qq.com/s?__biz=daacdaaedyWcMIV=&mid=200664912&idx=1&sn=c3fbe92847655211faf109c6856f4c0a
daacddeMdcedauY=        http://mp.weixin.qq.com/s?__biz=daacddeMdcedauY=&mid=200435227&idx=1&sn=a8802c19dacf0b2db6462eaec09c0b19
daacddeVdeaudaY=        http://mp.weixin.qq.com/s?__biz=daacddeVdeaudaY=&mid=200668153&idx=1&sn=869b00b38caa70de6c32848f396b8aa6
daacdduydVWyeMM=        http://mp.weixin.qq.com/s?__biz=daacdduydVWyeMM=&mid=200659749&idx=1&sn=6fe9107dd69dd3b5de32bf6e5597a408
daacdeMddMMyVWw=        http://mp.weixin.qq.com/s?__biz=daacdeMddMMyVWw=&mid=200912280&idx=7&sn=a70041d29f6b4ad06554ea97291d06bc
daacdMcadMMyduV=        http://mp.weixin.qq.com/s?__biz=daacdMcadMMyduV=&mid=200654058&idx=3&sn=a6e57a52b1bd9c38f392825da34b499d
daacdudVdIecyMY=        http://mp.weixin.qq.com/s?__biz=daacdudVdIecyMY=&mid=200382730&idx=4&sn=aeed567f2ad4ee595846623f7e2c8fbf
daacduyudeVeWdv=        http://mp.weixin.qq.com/s?__biz=daacduyudeVeWdv=&mid=200468183&idx=1&sn=df3d20eef948571d3120b74416b9b010
daacdycIdWdyaIV=        http://mp.weixin.qq.com/s?__biz=daacdycIdWdyaIV=&mid=200839908&idx=8&sn=40eb71efc2e70a779af0fc782ac78c47
daacdyIydayccyV=        http://mp.weixin.qq.com/s?__biz=daacdyIydayccyV=&mid=200303209&idx=1&sn=63fbd789967812b16ff71b3667d36095```

• table2.txt 文件的样例数据如下：

MjM5MDQ3MDIyMg==
MjM5MDU2OTI4OQ==
MjM5MDc5MTk2NQ==
MjM5MDg5MDE2Nw==
MjM5MDk3NDQ4Mw==
MjM5MTA4MTEyNQ==
MjM5MTQwMzcwMA==
MjM5MjEwMjkyMA==
MjM5MjM2ODU5Nw==
MjM5MjMxOTYxMw==

下面的任务就是要找出table1.txt中所有主键存在于table2.txt中的记录，文件的主键都是第一列

shell命令

awk -F'\t' ' {if (ARGIND==1) ccc[$1]} {if (ARGIND>1 && ($1 in ccc)) print $0} ' test2.txt test1.txt > test.txt

命令解释： awk -F 表示字段分割符号
接下来是命令，命令必须用单引号包围，双引号不行。
ARGIND == 1表示读取到第一个文件，就把第一列存入数组ccc
当读到其他文件，这里就是第二个文件，就判断它的第一列是否在数组中，在就输出。

结束语

为什么选择用shell命令实现这个功能呢？我发现我数据量在一个文件700m，另一个文件30m的情况下，
只需要一分钟出结果，不必数据库慢很多，比其他工具，如R语言快太多，R语言还可能跑不了， 数据分析工作者适当的掌握几个有用的shell工具，如grep、awk、goin等，事半功倍。

转载于:https://my.oschina.net/u/1244232/blog/521013