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。
要保持原來的排列順序刪掉重複行,使用:
awk '!visited[$0]++' your_file > deduplicated_file
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:
!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
。visited[$0]
的值是一個比 0 大的數,取反後被解析成 false
。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。awk
自動把它轉換為 0
(數位) 後加 1。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 0awk
由 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。
uniq
命令僅能對相鄰的行去重。這是一個範例:
$ cat test.txtAAABBBAACCCBBA$ uniq < test.txtABACBA
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
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
以上為全文。