该博文更新已整理到新地址:
http://qinqianshan.com/linux文件的合并,去重,分割-catuniqsplitpaste/
第一:两个文件的交集,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)
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)
3. 删除交集,留下其他的行
1. cat file1 file2 | sort | uniq > file3
2. cat file1 file2 | sort | uniq -d
> file3
3. cat file1 file2 | sort | uniq -u > file3
第二:两个文件合并
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
第三:一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
第四: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) 这个专业额
语法:split [-][-b ][-C ][-l
][要切割的文件][输出文件名]
-b :後面可接欲分割成的檔案大小,可加單位,例如 b, k, m
等;
-l :以行數來進行分割。
# gunzip
log.txt.gz //一定要先解压,否则分割的文件是不能cat/zcat显示;
# 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
[root@www tmp]# ls -al / | split -l 10 - lsroot
[root@www tmp]# wc -l lsroot*
10 lsrootaa
10 lsrootab
6 lsrootac
26 total
# 重點在那個 - 啦!一般來說,如果需要 stdout/stdin 時,但偏偏又沒有檔案,
# 有的只是 - 時,那麼那個 - 就會被當成 stdin 或 stdout
~
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”。
很简单,因为这个的分割是根据字符数来分割的。
if=filename:输入的文件名
of=finename:输出的文件名
bs=bytes:一次读写的字节数,默认是512bytes
skip=blocks:拷贝前,跳过的输入文件的前blocks块,块的大小由bs决定,意思就是从哪个块为起点。
count=blocks:只拷贝输入文件的前blocks块
上面的例子中是把原文件切割成20K大小的块,前1500块放在文件newlogaa,后面的放在文件newlogab。
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。
参考文献:
长颈鹿Giraffe的博客
http://www.cnblogs.com/giraffe/p/3193085.html
Bob's Blog的博客
http://blog.csdn.net/exbob/article/details/6636255
(有不错的脚本)
鸟哥私房菜 http://linux.vbird.org/linux_basic/0320bash.php#paste