前言
大家都知道shell在文本處理上確有極大優(yōu)勢，比如多文本合并、去重等，但是最近遇到了一個難搞的問題，即兩個大數(shù)據(jù)量文件去重。下面來看看詳細的介紹吧。
要求
有txt文件A.txt和B.txt。
其中A為關(guān)鍵詞和搜索量，以逗號分隔，約90萬行。
B為關(guān)鍵詞，約400萬行。
需要從A中找出與B重復(fù)的關(guān)鍵詞。
我試了N種姿勢，但結(jié)果都不盡人意，最奇怪的是有些方法對小數(shù)據(jù)量的測試文件有用，一旦用在A與B上就會失敗，真叫人百思不得其解。
姿勢一：
awk -F, '{print $1}' A >keywords.txt
cat keywords.txt B.txt | sort | uniq -d
#先從A.txt種取出關(guān)鍵詞，然后與B.txt一起打開，用sort排序，uniq -d 取出重復(fù)的行
姿勢二：
awk -F, '{print $1}' A >keywords.txt
#照例先取出關(guān)鍵詞
comm -1 -2 keywords.txt B.txt
#利用comm命令，顯示兩個文件都存在的行
姿勢三：
awk -F, '{print $1}' A >keywords.txt
for i in `cat keywords.txt`
do
A=`egrep -c "^$i$" B.txt`
if [ $A != 0 ]
then
echo $i >>重復(fù)關(guān)鍵詞.txt
fi
done
#這種姿勢就稍微復(fù)雜點
#首先取出關(guān)鍵詞，然后利用for循環(huán)逐個去B.txt里面匹配（注意正則寫法^$i$），如果匹配到的結(jié)果數(shù)不為0，說明這個關(guān)鍵詞是重復(fù)的，然后輸出
#這種方法的優(yōu)點是穩(wěn)妥，缺點是效率太TM低了，90萬個詞逐一與400萬詞匹配，shell默認又沒有多線程，耗時太長。
姿勢四：
awk -F, '{print $1}' A >keywords.txt
cat keywords.txt B.txt | awk '!a[$1]++'
#這個方法的原理其實我不太懂，awk命令實在太強大太高深了，但是這種方法又簡潔又快速
其實還有一種grep -v 、grep -f 的方法，但是我沒有試過，所以不在這里列出了。
總結(jié)
以上就是這篇文章的全部內(nèi)容了，希望本文的內(nèi)容對大家的學(xué)習(xí)或者工作能帶來一定的幫助，如果有疑問大家可以留言交流。
您可能感興趣的文章:- 判斷文件是否存在的shell腳本代碼
- Shell逐行讀取文件的4種方法
- shell去掉文件中空行(空白行)的方法詳解
- shell腳本中執(zhí)行時提示“沒有那個文件或目錄”的解決辦法
- shell按行讀取文件的3種方法
- Shell腳本統(tǒng)計文件行數(shù)的8種方法
- Shell獲取文件的文件名和擴展名的例子
- Shell中調(diào)用、引用、包含另一個腳本文件的三種方法
- shell判斷文件,目錄是否存在或者具有權(quán)限的代碼
- shell中刪除文件中重復(fù)行的方法
