mirror of
https://github.com/LCTT/TranslateProject.git
synced 2025-01-04 22:00:34 +08:00
243 lines
6.7 KiB
Markdown
243 lines
6.7 KiB
Markdown
[#]: collector: (lujun9972)
|
||
[#]: translator: (lxbwolf)
|
||
[#]: reviewer: ( )
|
||
[#]: publisher: ( )
|
||
[#]: url: ( )
|
||
[#]: subject: (How to remove duplicate lines from files with awk)
|
||
[#]: via: (https://opensource.com/article/19/10/remove-duplicate-lines-files-awk)
|
||
[#]: author: (Lazarus Lazaridis https://opensource.com/users/iridakos)
|
||
|
||
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。
|
||
![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：
|
||
|
||
|
||
```
|
||
`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*。
|
||
|
||
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.
|
||
* 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。
|
||
|
||
|
||
|
||
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
|
||
|
||
|
||
```
|
||
`<pattern/expression> { <action> }`
|
||
```
|
||
|
||
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。
|
||
|
||
> 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：
|
||
|
||
|
||
```
|
||
`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 print 到输出。否则，不执行 action，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**][7] 命令来去除重复的行，但是*行原来的顺序没有被保留*。
|
||
|
||
|
||
```
|
||
`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][8] 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-** 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）。
|
||
|
||
|
||
```
|
||
abc
|
||
ghi
|
||
def
|
||
xyz
|
||
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]
|
||
|
||
|
||
|
||
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。
|
||
|
||
--------------------------------------------------------------------------------
|
||
|
||
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)
|
||
|
||
本文由 [LCTT](https://github.com/LCTT/TranslateProject) 原创编译，[Linux中国](https://linux.cn/) 荣誉推出
|
||
|
||
[a]: https://opensource.com/users/iridakos
|
||
[b]: https://github.com/lujun9972
|
||
[1]: https://opensource.com/sites/default/files/styles/image-full-size/public/lead-images/code_computer_laptop_hack_work.png?itok=aSpcWkcl (Coding on a computer)
|
||
[2]: http://kirste.userpage.fu-berlin.de/chemnet/use/info/gawk/gawk_12.html
|
||
[3]: https://en.wikipedia.org/wiki/Associative_array
|
||
[4]: https://www.gnu.org/software/gawk/manual/html_node/Truth-Values.html
|
||
[5]: https://ftp.gnu.org/old-gnu/Manuals/gawk-3.0.3/html_chapter/gawk_8.html
|
||
[6]: http://kirste.userpage.fu-berlin.de/chemnet/use/info/gawk/gawk_9.html
|
||
[7]: http://man7.org/linux/man-pages/man1/sort.1.html
|
||
[8]: https://stackoverflow.com/a/20639730/2292448
|
||
[9]: https://www.gnu.org/software/gawk/manual/html_node/
|
||
[10]: https://stackoverflow.com/questions/1444406/how-can-i-delete-duplicate-lines-in-a-file-in-unix
|
||
[11]: https://stackoverflow.com/questions/11532157/remove-duplicate-lines-without-sorting
|
||
[12]: https://unix.stackexchange.com/questions/159695/how-does-awk-a0-work/159734#159734
|
||
[13]: https://opensource.com/sites/default/files/uploads/duplicate-cat.jpg (Duplicate cat)
|
||
[14]: https://iridakos.com/about/
|
||
[15]: http://creativecommons.org/licenses/by-nc/4.0/
|