提取两组/文件之间的唯一值-IT科技

提取两组/文件之间的唯一值

2024-11-07 08:55:00

admin

原创

177

摘要：问题描述：在 linux/shell 环境中工作，如何完成以下操作：文本文件 1 包含：1 2 3 4 5 文本文件 2 包含：6 7 1 2 3 4 我需要提取文件 2 中不在文件 1 中的条目。所以在这个例子中是“6”和“7”。我如何从命令行执行此操作？非常感谢！解决方案 1：$ awk 'FNR==NR...

问题描述：

在 linux/shell 环境中工作，如何完成以下操作：

文本文件 1 包含：

文本文件 2 包含：

我需要提取文件 2 中不在文件 1 中的条目。所以在这个例子中是“6”和“7”。

我如何从命令行执行此操作？

非常感谢！

解决方案 1：

$ awk 'FNR==NR {a[$0]++; next} !($0 in a)' file1 file2
6
7

代码工作原理的解释：

如果我们正在处理文件 1，请跟踪我们看到的每一行文本。
如果我们正在处理文件 2，并且没有看到行文本，则打印它。

详细说明：

FNR是当前文件的记录号
NR是所有输入文件的当前总记录数
FNR==NR仅当我们读取 file1 时才为真
$0是当前文本行
a[$0]是一个哈希表，其键设置为当前文本行
a[$0]++跟踪我们看到的当前文本行
!($0 in a)仅当我们没有看到行文本时才为真
如果上述模式返回 true，则打印文本行，这是未给出明确操作时的默认 awk 行为

解决方案 2：

使用一些鲜为人知的实用程序：

sort file1 > file1.sorted
sort file2 > file2.sorted
comm -1 -3 file1.sorted file2.sorted

3这将输出重复项，因此如果中有 1 file1，但中有 2 file2，则仍将输出 1 3。如果这不是您想要的，请在将输出写入文件之前将其通过sort管道传输：uniq

sort file1 | uniq > file1.sorted
sort file2 | uniq > file2.sorted
comm -1 -3 file1.sorted file2.sorted

GNU coreutils 包中有很多实用程序，允许进行各种文本操作。

解决方案 3：

我想知道以下哪种解决方案对于“较大”的文件来说是“最快”的：

awk 'FNR==NR{a[$0]++}FNR!=NR && !a[$0]{print}' file1 file2 # awk1 by SiegeX
awk 'FNR==NR{a[$0]++;next}!($0 in a)' file1 file2          # awk2 by ghostdog74
comm -13 <(sort file1) <(sort file2)
join -v 2 <(sort file1) <(sort file2)
grep -v -F -x -f file1 file2

我的基准测试结果简述如下：

不要使用grep -Fxf，它太慢了（在我的测试中是 2-4 倍）。
comm比稍快一些join。
如果 file1 和 file2 已经排序，comm则join比 awk1 + awk2 快得多。（当然，它们不假设文件已排序。）
awk1 + awk2 据称使用更多 RAM 和更少 CPU。实际运行时间较短，comm可能是因为它使用更多线程。awk1 + awk2 的 CPU 时间较短。

为了简洁起见，我省略了全部细节。不过，我假设任何感兴趣的人都可以联系我，或者只是重复测试。大致来说，设置是

# Debian Squeeze, Bash 4.1.5, LC_ALL=C, slow 4 core CPU
$ wc file1 file2
  321599   321599  8098710 file1
  321603   321603  8098794 file2

最快运行的典型结果

awk2: real 0m1.145s  user 0m1.088s  sys 0m0.056s  user+sys 1.144
awk1: real 0m1.369s  user 0m1.324s  sys 0m0.044s  user+sys 1.368
comm: real 0m0.980s  user 0m1.608s  sys 0m0.184s  user+sys 1.792
join: real 0m1.080s  user 0m1.756s  sys 0m0.140s  user+sys 1.896
grep: real 0m4.005s  user 0m3.844s  sys 0m0.160s  user+sys 4.004

顺便说一句，对于 awkies 来说：似乎a[$0]=1比快a[$0]++，并且(!($0 in a))比快(!a[$0])。因此，对于 awk 解决方案，我建议：

awk 'FNR==NR{a[$0]=1;next}!($0 in a)' file1 file2

解决方案 4：

怎么样：

diff file_1 file_2 | grep '^>' | cut -c 3-

这将打印 file_2 中不存在于 file_1 中的条目。要获得相反的结果，只需将 '>' 替换为 '<'。'cut' 会删除由 'diff' 添加的前两个字符，这两个字符不是原始内容的一部分。

文件甚至不需要排序。

解决方案 5：

使用 grep：

grep -F -x -v -f file_1 file_2

解决方案 6：

这是另一个 awk 解决方案

$ awk 'FNR==NR{a[$0]++;next}(!($0 in a))' file1 file2
6
7

解决方案 7：

$ cat file1 file1 file2 | sort | uniq -u
6
7

uniq——报告或过滤文件中的重复行
... 如果输入中的重复行不相邻，则不会检测到，因此可能需要先对文件进行排序。
-u      Only output lines that are not repeated in the input.

打印 file1 两次以确保跳过 file1 中的所有条目uniq -u。

解决方案 8：

cat file1 file2 | sort -u > unique

解决方案 9：

如果您确实想从命令行执行此操作，此站点（搜索“未找到重复项”）有一个awk搜索重复项的示例。这可能是查看该示例的一个很好的起点。

不过，我鼓励您使用 Perl 或 Python 来实现这一点。基本上，程序的流程如下：

findUniqueValues(file1, file2){
    contents1 = array of values from file1
    contents2 = array of values from file2
    foreach(value2 in contents2){
        found=false
        foreach(value1 in contents1){
            if (value2 == value1) found=true
        }
        if(!found) print value2
    }
}

这不是最优雅的方法，因为它的时间复杂度为 O(n^2)，但它可以完成工作。