mirror of
https://github.com/LCTT/TranslateProject.git
synced 2024-12-29 21:41:00 +08:00
223 lines
6.5 KiB
Markdown
223 lines
6.5 KiB
Markdown
[#]: collector: (lujun9972)
|
||
[#]: translator: (lxbwolf)
|
||
[#]: reviewer: (wxy)
|
||
[#]: publisher: (wxy)
|
||
[#]: url: (https://linux.cn/article-11666-1.html)
|
||
[#]: 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。
|
||
|
||
|
||
|
||
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][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
|
||
|
||
`awk` 由 [模式或表达式和一个与之关联的动作][6] 组成：
|
||
|
||
```
|
||
<模式/表达式> { <动作> }
|
||
```
|
||
|
||
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][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
|
||
```
|
||
|
||
#### 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-` 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
|
||
|
||
* [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。
|
||
|
||
--------------------------------------------------------------------------------
|
||
|
||
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：[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
|
||
|
||
[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/
|