怎樣使用 awk 刪掉檔案中重複的行

2019-12-12 12:43:00

學習怎樣使用 awk 的 !visited[$0]++ 在不重新排序或改變原排列順序的前提下刪掉重複的行。

假設你有一個文字檔案,你需要刪掉所有重複的行。

TL;DR

要保持原來的排列順序刪掉重複行,使用:

awk '!visited[$0]++' your_file > deduplicated_file

工作原理

這個指令碼維護一個關聯陣列,索引(鍵)為檔案中去重後的行,每個索引對應的值為該行出現的次數。對於檔案的每一行,如果這行(之前)出現的次數為 0,則值加 1,並列印這行,否則值加 1,不列印這行。

我之前不熟悉 awk,我想弄清楚這麼短小的一個指令碼是怎麼實現的。我調研了下,下面是調研心得:

  • 這個 awk “指令碼” !visited[$0]++ 對輸入檔案的每一行都執行。
  • visited[] 是一個關聯陣列(又名對映)型別的變數。awk 會在第一次執行時初始化它,因此我們不需要初始化。
  • $0 變數的值是當前正在被處理的行的內容。
  • visited[$0] 通過與 $0(正在被處理的行)相等的鍵來存取該對映中的值,即出現次數(我們在下面設定的)。
  • ! 對表示出現次數的值取反:
    • awk 中,任意非零的數或任意非空的字串的值是 true
    • 變數預設的初始值為空字串,如果被轉換為數位,則為 0。
    • 也就是說:
      • 如果 visited[$0] 的值是一個比 0 大的數,取反後被解析成 false
      • 如果 visited[$0] 的值為等於 0 的數位或空字串,取反後被解析成 true
    • ++ 表示變數 visited[$0] 的值加 1。
      • 如果該值為空,awk 自動把它轉換為 0(數位) 後加 1。
      • 注意:加 1 操作是在我們取到了變數的值之後執行的。

總的來說,整個表示式的意思是:

  • true:如果表示出現次數為 0 或空字串
  • false:如果出現的次數大於 0

awk模式或表示式和一個與之關聯的動作 組成:

<模式/表示式> { <動作> }

如果匹配到了模式,就會執行後面的動作。如果省略動作,awk 預設會列印(print)輸入。

省略動作等價於 {print $0}

我們的指令碼由一個 awk 表示式語句組成,省略了動作。因此這樣寫:

awk '!visited[$0]++' your_file > deduplicated_file

等於這樣寫:

awk '!visited[$0]++ { print $0 }' your_file > deduplicated_file

對於檔案的每一行,如果表示式匹配到了,這行內容被列印到輸出。否則,不執行動作,不列印任何東西。

為什麼不用 uniq 命令?

uniq 命令僅能對相鄰的行去重。這是一個範例:

$ cat test.txtAAABBBAACCCBBA$ uniq < test.txtABACBA

其他方法

使用 sort 命令

我們也可以用下面的 sort 命令來去除重複的行,但是原來的行順序沒有被保留

sort -u your_file > sorted_deduplicated_file

使用 cat + sort + cut

上面的方法會產出一個去重的檔案,各行是基於內容進行排序的。通過管道連線命令可以解決這個問題。

cat -n your_file | sort -uk2 | sort -nk1 | cut -f2-

工作原理

假設我們有下面一個檔案:

abcghiabcdefxyzdefghiklm

cat -n test.txt 在每行前面顯示序號:

1       abc2       ghi3       abc4       def5       xyz6       def7       ghi8       klm

sort -uk2 基於第二列(k2 選項)進行排序,對於第二列相同的值只保留一次(u 選項):

1       abc4       def2       ghi8       klm5       xyz

sort -nk1 基於第一列排序(k1 選項),把列的值作為數位來處理(-n 選項):

1       abc2       ghi4       def5       xyz8       klm

最後,cut -f2- 從第二列開始列印每一行,直到最後的內容(-f2- 選項:留意 - 字尾,它表示這行後面的內容都包含在內)。

abcghidefxyzklm

參考

以上為全文。