利用Linux命令行进行文本按行去重并按重复次数排序

利用Linux命令行进行文本按行去重并按重复次数排序

http://www.2cto.com/os/201309/244056.html

利用Linux命令行进行文本按行去重并按重复次数排序

 

linux命令行提供了非常强大的文本处理功能，组合利用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)。

 

用于演示的测试文件内容如下：

 

[plain] 

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：

[plain] 

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：

 

[plain] 

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  

在写这篇文章的时候，用到了vim的大小写转化的快捷键：gu变小写，gU变大写。结合ctrl+v能够将一片文字中的字符进行大小写转换，非常好用。

 

 

+

+

+

=

=

=