linux数组中值去重复,技术|怎样使用 awk 删掉文件中重复的行

学习怎样使用 awk 的 !visited[$0]++ 在不重新排序或改变原排列顺序的前提下删掉重复的行。

假设你有一个文本文件，你需要删掉所有重复的行。

TL;DR

要保持原来的排列顺序删掉重复行，使用：

awk '!visited[$0]++' your_file > deduplicated_file

工作原理

这个脚本维护一个关联数组，索引(键)为文件中去重后的行，每个索引对应的值为该行出现的次数。对于文件的每一行，如果这行(之前)出现的次数为 0，则值加 1，并打印这行，否则值加 1，不打印这行。

我之前不熟悉 awk，我想弄清楚这么短小的一个脚本是怎么实现的。我调研了下，下面是调研心得：

这个 awk “脚本” !visited[$0]++ 对输入文件的每一行都执行。

visited[] 是一个关联数组(又名映射)类型的变量。awk 会在第一次执行时初始化它，因此我们不需要初始化。

$0 变量的值是当前正在被处理的行的内容。

visited[$0] 通过与 $0(正在被处理的行)相等的键来访问该映射中的值，即出现次数(我们在下面设置的)。

! 对表示出现次数的值取反：

变量默认的初始值为空字符串，如果被转换为数字，则为 0。

也就是说：

如果 visited[$0] 的值是一个比 0 大的数，取反后被解析成 false。

如果 visited[$0] 的值为等于 0 的数字或空字符串，取反后被解析成 true 。

++ 表示变量 visited[$0] 的值加 1。

如果该值为空，awk 自动把它转换为 0(数字) 后加 1。

注意：加 1 操作是在我们取到了变量的值之后执行的。

总的来说，整个表达式的意思是：

true：如果表示出现次数为 0 或空字符串

false：如果出现的次数大于 0

{ }

如果匹配到了模式，就会执行后面的动作。如果省略动作，awk 默认会打印(print)输入。

省略动作等价于 {print $0}。

我们的脚本由一个 awk 表达式语句组成，省略了动作。因此这样写：

awk '!visited[$0]++' your_file > deduplicated_file

等于这样写：

awk '!visited[$0]++ { print $0 }' your_file > deduplicated_file

对于文件的每一行，如果表达式匹配到了，这行内容被打印到输出。否则，不执行动作，不打印任何东西。

为什么不用 uniq 命令？

uniq 命令仅能对相邻的行去重。这是一个示例：

$ cat test.txt

A

A

A

B

B

B

A

A

C

C

C

B

B

A

$ uniq < test.txt

A

B

A

C

B

A

其他方法

使用 sort 命令

我们也可以用下面的 sort 命令来去除重复的行，但是原来的行顺序没有被保留。

sort -u your_file > sorted_deduplicated_file

使用 cat + sort + cut

上面的方法会产出一个去重的文件，各行是基于内容进行排序的。通过管道连接命令可以解决这个问题。

cat -n your_file | sort -uk2 | sort -nk1 | cut -f2-

工作原理

假设我们有下面一个文件：

abc

ghi

abc

def

xyz

def

ghi

klm

cat -n test.txt 在每行前面显示序号：

1       abc

2       ghi

3       abc

4       def

5       xyz

6       def

7       ghi

8       klm

sort -uk2 基于第二列(k2 选项)进行排序，对于第二列相同的值只保留一次(u 选项)：

1       abc

4       def

2       ghi

8       klm

5       xyz

sort -nk1 基于第一列排序(k1 选项)，把列的值作为数字来处理(-n 选项)：

1       abc

2       ghi

4       def

5       xyz

8       klm

最后，cut -f2- 从第二列开始打印每一行，直到最后的内容(-f2- 选项：留意 - 后缀，它表示这行后面的内容都包含在内)。

abc

ghi

def

xyz

klm

参考

以上为全文。

本文由 LCTT 原创编译，Linux中国 荣誉推出