shell文件排序、去重、合并、分割

2019独角兽企业重金招聘Python工程师标准>>>

一、文件排序
    sort file    

    排序选项：

        -b, --ignore-leading-blanks 忽略前导的空白区域

        -d, --dictionary-order 只考虑空白区域和字母字符

        -f, --ignore-case 忽略字母大小写

        -g, --general-numeric-sort 按照常规数值排序

        -i, --ignore-nonprinting 只排序可打印字符

        -n, --numeric-sort 根据字符串数值比较

        -r, --reverse 逆序输出排序结果

 

二、两个文件的交集，并集

    前提条件：每个文件中不得有重复行

        1、取出两个文件的并集(重复的行只保留一份) 

                cat file1 file2 | sort | uniq > file3

        2、取出两个文件的交集(只留下同时存在于两个文件中的文件)

                cat file1 file2 | sort | uniq -d > file3

        3、删除交集，留下其他的行

                cat file1 file2 | sort | uniq -u > file3

三、两个文件合并

    一个文件在上，一个文件在下

        cat file1 file2 > file3

    一个文件在左，一个文件在右

        paste file1 file2 > file3

四、一个文件去掉重复的行：

    sort file |uniq

        注意：重复的多行记为一行，也就是说这些重复的行还在，只是全部省略为一行！

    sort file |uniq -u

        上面的命令可以把重复的行全部去掉，也就是文件中的非重复行！

    具体细节可以查看，cat，sort，uniq等命令的详细介绍

五、将一个大的文件分割成多个小文件：

    采用一个50M大小的日志文件进行测试。日志文件名：log.txt.gz。文件行数：208363

    方法1、（split分割）

        语法：split [-<行数>][-b <字节>][-C <字节>][-l <行数>][要切割的文件][输出文件名]

        # gunzip log.txt.gz             //一定要先解压，否则分割的文件是不能cat/zcat显示；

        # wc -l log.txt                 //计算一个文件的总行数；

        208363 log.txt

        # split -l 120000 log.txt newlog    //通过指定行数，将日志分割成两个文件；

        # du -sh *50M     log.txt

        29M     newlogaa

        22M     newlogab

        # file *                         //分割后的文件与原文件属性一样

        log.txt: ASCII text, with very long lines, with CRLF line terminators

        newlogaa: ASCII text, with very long lines, with CRLF line terminators

        newlogab: ASCII text, with very long lines, with CRLF line terminators

        # gzip newlogaa newlogab         //将分割后的文件进行压缩，以便传输

 

方法2、（dd分割）

        # gunzip log.txt.gz             //一定要先解压，否则分割的文件是不能cat/zcat显示；

#dd bs=20480 count=1500 if=log.txt of=newlogaa      //按大小分第一个文件

#dd bs=20480 count=1500 if=log.txt of=newlogab skip=1500  //将大小之后的生成另一个文件#file *

log.txt: ASCII text, with very long lines, with CRLF line terminators
newlogaa: ASCII text, with very long lines, with CRLF line terminators
newlogab: ASCII text, with very long lines, with CRLF line terminators

 

分割没问题，但会出现同一行分到不同文件的情况，除非你以及日志分析系统可以“容忍”。

 

方法3：（head+tail 分割）

    #gzip log.txt.gz               //如不解压缩，下面请用zcat。

    #wc -l log.txt                //统计一个行数

    208363 log.txt

    # head -n `echo $((208363/2+1))` log.txt > newloga.txt      //前x行重定向输出到一个文件中；

    #tail –n `echo $((208363-208362/2-1))` log.txt >newlogb.txt //后x行重定向输出到一个文件中；

    #gzip newloga.txt newlogb.txt          //将两个文件进行压缩

方法4、（awk分割）

    #gzip log.txt.gz#awk ‘{if (NR<120000) print $0}’ log.txt >newloga.txt#awk ‘{if (NR>=120000) print $0}’ log.txt >newlogb.txt

 

    以上两个命令，都要遍历整个文件，所以考虑到效率，应使用合并成：

    #awk ‘{if (NR<120000) print $0 >”newloga.txt”;if (NR>=120000) print $0>”newlogb.txt”}’ log.txt

 

以上四种方法，除了dd之外的三种方式都可以很好的整行分割日志文件。进行分割时，应考虑在读一次文件的同时完成，如不然，按下面的方式分割：

        Cat log.txt| head –12000 >newloga.txt

        Cat log.txt | tail –23000 >newlogb.txt

如用此方法分割文件的后一部分，那么执行第二行命令文件时，前x行是白白读一遍的，执行的效率将很差，如文件过大，还可能出现内存不够的情况。

 

 

参考：https://www.cnblogs.com/kakaisgood/p/7686284.html

转载于:https://my.oschina.net/u/3625745/blog/3006570