学习怎样使用 awk 的 !visited++ 在不重新排序或改变原排列顺序的前提下删掉重复的行。-- Lazarus Lazaridis
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。◈ 变量默认的初始值为空字符串,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 组成:
{ }
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.txtAAABBBAACCCBBA$ uniq
其他方法
使用 sort 命令
我们也可以用下面的 sort 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:
abcghiabcdefxyzdefghiklm
cat -n test.txt 在每行前面显示序号:
1 abc2 ghi3 abc4 def5 xyz6 def7 ghi8 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 abc4 def2 ghi8 klm5 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 abc2 ghi4 def5 xyz8 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)。
abcghidefxyzklm
参考
◈ GNU awk 用户手册◈ awk 中的数组◈ Awk — 真值◈ Awk 表达式◈ Unix 怎么删除文件中重复的行?◈ 不用排序去掉重复的行(去重)◈ ‘!a[$0]++’ 工作原理
以上为全文。
via: https://opensource.com/article/19/10/remove-duplicate-lines-files-awk
作者:Lazarus Lazaridis 选题:lujun9972 译者:lxbwolf 校对:wxy
本文由 LCTT 原创编译,Linux中国 荣誉推出
4000520066 欢迎批评指正
All Rights Reserved 新浪公司 版权所有