怎样使用 awk 删掉文件中重复的行

2019-12-12

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（作者）

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

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：

awk 由模式或表达式和一个与之关联的动作组成：

<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：

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。

uniq 命令仅能对相邻的行去重。这是一个示例：

$ 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

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

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：

abc
ghi
abc
def
xyz
def
ghi
klm

cat -n test.txt 在每行前面显示序号：

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

abc
ghi
def
xyz
klm

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