利用Linux命令行进行文本按行去重并按重复次数排序yes

骑猪看日落 2023-10-17 15:33 18阅读 0赞

http://www.tuicool.com/articles/fEzERj

[Linux][]命令行提供了非常强大的文本处理功能，组合利用[linux][Linux]命令能实现好多强大的功能。本文这里举例说明如何利用Linux命令行进行文本按行去重并按重复次数排序。主要用到的命令有sort，uniq和cut。其中，sort主要功能是排序，uniq主要功能是实现相邻文本行的去重，cut可以从文本行中提取相应的文本列(简单地说，就是按列操作文本行)。

用于演示的[测试][Link 1]文件内容如下：

Hello World.
    Apple and Nokia.
    Hello World.
    I wanna buy an Apple device.
    The Iphone of Apple company.
    Hello World.
    The Iphone of Apple company.
    My name is Friendfish.
    Hello World.
    Apple and Nokia.

实现命令及过程如下：

1、文本行去重
    (1)排序
    由于uniq命令只能对相邻行进行去重复操作，所以在进行去重前，先要对文本行进行排序，使重复行集中到一起。
    $ sort test.txt 
    Apple and Nokia.
    Apple and Nokia.
    Hello World.
    Hello World.
    Hello World.
    Hello World.
    I wanna buy an Apple device.
    My name is Friendfish.
    The Iphone of Apple company.
    The Iphone of Apple company.
    (2)去掉相邻的重复行
    $ sort test.txt | uniq
    Apple and Nokia.
    Hello World.
    I wanna buy an Apple device.
    My name is Friendfish.
    The Iphone of Apple company.
    
    2、文本行去重并按重复次数排序
    (1)首先，对文本行进行去重并统计重复次数(uniq命令加-c选项可以实现对重复次数进行统计。)。
    $ sort test.txt | uniq -c
          2 Apple and Nokia.
          4 Hello World.
          1 I wanna buy an Apple device.
          1 My name is Friendfish.
          2 The Iphone of Apple company.
    (2)对文本行按重复次数进行排序。
    sort -n可以识别每行开头的数字，并按其大小对文本行进行排序。默认是按升序排列，如果想要按降序要加-r选项(sort -rn)。
    $ sort test.txt | uniq -c | sort -rn
          4 Hello World.
          2 The Iphone of Apple company.
          2 Apple and Nokia.
          1 My name is Friendfish.
          1 I wanna buy an Apple device.
    (3)每行前面的删除重复次数。
    cut命令可以按列操作文本行。可以看出前面的重复次数占8个字符，因此，可以用命令cut -c 9- 取出每行第9个及其以后的字符。
    $ sort test.txt | uniq -c | sort -rn | cut -c 9-
    Hello World.
    The Iphone of Apple company.
    Apple and Nokia.
    My name is Friendfish.
    I wanna buy an Apple device.

下面附带说一下cut命令的使用，用法如下：

cut -b list [-n] [file ...]
    cut -c list [file ...]
    cut -f list [-d delim][-s][file ...]
    
    上面的-b、-c、-f分别表示字节、字符、字段（即byte、character、field）；
    list表示-b、-c、-f操作范围，-n常常表示具体数字；
    file表示的自然是要操作的文本文件的名称；
    delim（英文全写：delimiter）表示分隔符，默认情况下为TAB；
    -s表示不包括那些不含分隔符的行（这样有利于去掉注释和标题）
    三种方式中，表示从指定的范围中提取字节（-b）、或字符（-c）、或字段（-f）。
    
    范围的表示方法：
          n   只有第n项 
          n-  从第n项一直到行尾
          n-m 从第n项到第m项(包括m)
          -m  从一行的开始到第m项(包括m)
          -   从一行的开始到结束的所有项

来源:http://blog.csdn.net/lin\_fs/article/details/51085474

[Linux]: http://lib.csdn.net/base/linux
[Link 1]: http://lib.csdn.net/base/softwaretest