mirror of
https://github.com/LCTT/TranslateProject.git
synced 2025-01-13 22:30:37 +08:00
PRF
This commit is contained in:
Xingyu Wang
parent
f2d70e188b
commit
54a36a3e32
@ -1,6 +1,6 @@
|
||||
[#]: collector: (lujun9972)
|
||||
[#]: translator: (lxbwolf)
|
||||
[#]: reviewer: ( )
|
||||
[#]: reviewer: (wxy)
|
||||
[#]: publisher: ( )
|
||||
[#]: url: ( )
|
||||
[#]: subject: (How to remove duplicate lines from files with awk)
|
||||
@ -9,80 +9,73 @@
|
||||
|
||||
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。
|
||||
|
||||
> 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。
|
||||
|
||||
![Coding on a computer][1]
|
||||
|
||||
假设你有一个文本文件，你需要删掉所有重复的行。
|
||||
|
||||
### 这篇内容篇幅比较长，如果不想深入探讨或时间有限，可以看总结。
|
||||
|
||||
*保持原来的排列顺序*删掉重复行，使用：
|
||||
### 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`
|
||||
awk '!visited[$0]++' your_file > deduplicated_file
|
||||
```
|
||||
|
||||
### 工作原理
|
||||
|
||||
这个脚本维持一个关联数组，*index 总数*为文件去重后的行数，每个 index 对应的 *value* 为某行出现的次数。对于文件的每一行，如果这行出现的次数为 0，则 value 加 1 *并打印这行*，否则 value 加 1 *不打印这行*。
|
||||
这个脚本维持一个关联数组，索引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：
|
||||
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：
|
||||
|
||||
* 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][2] （又名 [Map][3]）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 key 访问 map 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
|
||||
* 在 awk 中，[任意非零的数或任意非空的字符串的值是 true][4]。
|
||||
* [变量默认的初始值为空字符串][5]，如果被转换为数字，则为 0.
|
||||
* 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][2]（又名[映射][3]）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：
|
||||
* 在 `awk` 中，[任意非零的数或任意非空的字符串的值是 true][4]。
|
||||
* [变量默认的初始值为空字符串][5]，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。
|
||||
|
||||
|
||||
* 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** 如果表示出现次数的值为 0 或空字符串
|
||||
* **false** 如果出现的次数大于 0
|
||||
|
||||
|
||||
|
||||
**awk** 由 [_pattern 表达式和一个与之关联的 action_][6] 组成
|
||||
* `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
|
||||
|
||||
`awk` 由 [模式或表达式和一个与之关联的动作][6] 组成
|
||||
|
||||
```
|
||||
`<pattern/expression> { <action> }`
|
||||
<模式/表达式> { <动作> }
|
||||
```
|
||||
|
||||
如果匹配到了 pattern，就会执行后面的 action。如果没有 action，**awk** 默认会 **print** 输入。
|
||||
如果匹配到了模式，就会执行后面的动作。如果没有动作，`awk` 默认会打印（`print`）输入。
|
||||
|
||||
> 省略 action 等于 **{print $0}**。
|
||||
|
||||
我们的脚本由一个 **awk** 表达式语句组成，省略了 action。因此这样写：
|
||||
> 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`
|
||||
awk '!visited[$0]++' your_file > deduplicated_file
|
||||
```
|
||||
|
||||
等于这样写：
|
||||
|
||||
|
||||
```
|
||||
`awk '!visited[$0]++ { print $0 }' your_file > deduplicated_file`
|
||||
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 print 到输出。否则，不执行 action，不打印任何东西。
|
||||
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：
|
||||
|
||||
`uniq` 命令仅能对相邻的行去重。这是一个示例：
|
||||
|
||||
```
|
||||
$ cat test.txt
|
||||
@ -100,7 +93,7 @@ C
|
||||
B
|
||||
B
|
||||
A
|
||||
$ uniq < test.txt
|
||||
$ uniq < test.txt
|
||||
A
|
||||
B
|
||||
A
|
||||
@ -113,26 +106,25 @@ A
|
||||
|
||||
#### 使用 sort 命令
|
||||
|
||||
我们也可以用下面的 [**sort**][7] 命令来去除重复的行，但是*行原来的顺序没有被保留*。
|
||||
我们也可以用下面的 [sort][7] 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`
|
||||
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][8] 可以解决这个问题。
|
||||
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][8]可以解决这个问题。
|
||||
|
||||
|
||||
```
|
||||
`cat -n your_file | sort -uk2 | sort -nk1 | cut -f2-`
|
||||
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
|
||||
**工作原理**
|
||||
|
||||
假设我们有下面一个文件：
|
||||
|
||||
```
|
||||
abc
|
||||
@ -145,8 +137,7 @@ ghi
|
||||
klm
|
||||
```
|
||||
|
||||
**cat -n test.txt** 在每行前面显示序号。
|
||||
|
||||
`cat -n test.txt` 在每行前面显示序号：
|
||||
|
||||
```
|
||||
1 abc
|
||||
@ -159,8 +150,7 @@ klm
|
||||
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）。
|
||||
|
||||
`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
|
||||
@ -170,8 +160,7 @@ 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）。
|
||||
|
||||
`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
|
||||
@ -181,8 +170,7 @@ klm
|
||||
8 klm
|
||||
```
|
||||
|
||||
最后，**cut -f2-** 打印每一行从第二列开始直到最后的内容（**-f2-** 选项：留意 - 后缀，- 表示这行后面的内容都包含在内）。
|
||||
|
||||
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
|
||||
@ -194,23 +182,15 @@ klm
|
||||
|
||||
### 参考
|
||||
|
||||
* [GNU awk 用户手册][9]
|
||||
* [awk 中的数组][2]
|
||||
* [Awk—Truth values][4]
|
||||
* [Awk 表达式][5]
|
||||
* [Unix 怎么删除文件中重复的行？][10]
|
||||
* [不用排序去掉重复的行【去重】][11]
|
||||
* ['!a[$0]++' 工作原理][12]
|
||||
* [GNU awk 用户手册][9]
|
||||
* [awk 中的数组][2]
|
||||
* [Awk — 真值][4]
|
||||
* [Awk 表达式][5]
|
||||
* [Unix 怎么删除文件中重复的行？][10]
|
||||
* [不用排序去掉重复的行（去重）][11]
|
||||
* ['!a[$0]++' 工作原理][12]
|
||||
|
||||
|
||||
|
||||
以上为全文。附上猫照。
|
||||
|
||||
![Duplicate cat][13]
|
||||
|
||||
* * *
|
||||
|
||||
本文首发在 [Lazarus Lazaridis][14] 的 iridakos 博客，遵照 [CC BY-NC 4.0 License][15] ，转载已获得作者授权。
|
||||
以上为全文。
|
||||
|
||||
--------------------------------------------------------------------------------
|
||||
|
||||
@ -219,7 +199,7 @@ via: https://opensource.com/article/19/10/remove-duplicate-lines-files-awk
|
||||
作者：[Lazarus Lazaridis][a]
|
||||
选题：[lujun9972][b]
|
||||
译者：[lxbwolf](https://github.com/lxbwolf)
|
||||
校对：[校对者ID](https://github.com/校对者ID)
|
||||
校对：[wxy](https://github.com/wxy)
|
||||
|
||||
本文由 [LCTT](https://github.com/LCTT/TranslateProject) 原创编译，[Linux中国](https://linux.cn/) 荣誉推出
|
||||
|
||||
|
||||
Loading…
Reference in New Issue
Block a user