怎樣使用 awk 刪掉文件中重複的行

假設你有一個文本文件，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

這個腳本維護一個關聯數組，索引（鍵）為文件中去重後的行，每個索引對應的值為該行出現的次數。對於文件的每一行，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腳本是怎麼實現的。我調研了下，下面是調研心得：

• 這個 awk 「腳本」 !visited[$0]++ 對輸入文件的每一行都執行。
• visited[] 是一個關聯數組（又名映射）類型的變數。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）相等的鍵來訪問該映射中的值，即出現次數（我們在下面設置的）。
• ! 對表示出現次數的值取反：
  • 在 awk 中，任意非零的數或任意非空的字元串的值是 true。
  • 變數默認的初始值為空字元串，如果被轉換為數字，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 的數字或空字元串，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（數字） 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，整個表達式的意思是：

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

awk 由 模式或表達式和一個與之關聯的動作 組成：

<模式/表達式> { <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 默認會列印（print）輸入。

省略動作等價於 {print $0}。

我們的腳本由一個 awk 表達式語句組成，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

對於文件的每一行，如果表達式匹配到了，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文件，各行是基於內容進行排序的。通過管道連接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文件：

abc
ghi
abc
def
xyz
def
ghi
klm

cat -n test.txt 在每行前面顯示序號：

1       abc
2       ghi
3       abc
4       def
5       xyz
6       def
7       ghi
8       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       abc
4       def
2       ghi
8       klm
5       xyz

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

1       abc
2       ghi
4       def
5       xyz
8       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 - 後綴，它表示這行後面的內容都包含在內）。

abc
ghi
def
xyz
klm

參考

• GNU awk 用戶手冊
• awk 中的數組
• Awk — 真值
• Awk 表達式
• Unix 怎麼刪除文件中重複的行？
• 不用排序去掉重複的行（去重）
• 『!a[$0]++』 工作原理

以上為全文。

via: https://opensource.com/article/19/10/remove-duplicate-lines-files-awk

作者：Lazarus Lazaridis 選題：lujun9972 譯者：lxbwolf 校對：wxy

本文由 LCTT 原創編譯，Linux中國 榮譽推出

本文轉載來自 Linux 中國: https://github.com/Linux-CN/archive