怎样使用 awk 删掉文件中重复的行

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：

1. 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（又名映射）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：

1. <模式/表达式> { <动作> }

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：

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

等于这样写：

1. 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：

1. $ cat test.txt
2. A
3. A
4. A
5. B
6. B
7. B
8. A
9. A
10. C
11. C
12. C
13. B
14. B
15. A
16. $ uniq < test.txt
17. A
18. B
19. A
20. C
21. B
22. A

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。

1. 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。

1. 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：

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

cat -n test.txt 在每行前面显示序号：

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

1. abc
2. ghi
3. def
4. xyz
5. klm

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

转自 https://linux.cn/article-11666-1.html