linux清空日志paster.log,【T】每日一生信--linux文件合并，去重，分割

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