前言
大家都知道shell在文本處理上確有極大優勢，比如多文本合并、去重等，但是最近遇到了一個難搞的問題，即兩個大數據量文件去重。下面來看看詳細的介紹吧。
要求
有txt文件A.txt和B.txt。
其中A為關鍵詞和搜索量，以逗號分隔，約90萬行。
B為關鍵詞，約400萬行。
需要從A中找出與B重復的關鍵詞。
我試了N種姿勢，但結果都不盡人意，最奇怪的是有些方法對小數據量的測試文件有用，一旦用在A與B上就會失敗，真叫人百思不得其解。
姿勢一：
awk -F, '{print $1}' A >keywords.txtcat keywords.txt B.txt | sort | uniq -d #先從A.txt種取出關鍵詞，然后與B.txt一起打開，用sort排序，uniq -d 取出重復的行姿勢二：
awk -F, '{print $1}' A >keywords.txt#照例先取出關鍵詞 comm -1 -2 keywords.txt B.txt#利用comm命令，顯示兩個文件都存在的行姿勢三：
awk -F, '{print $1}' A >keywords.txtfor i in `cat keywords.txt`do A=`egrep -c "^$i$" B.txt` if [ $A != 0 ] then echo $i >>重復關鍵詞.txt fidone #這種姿勢就稍微復雜點#首先取出關鍵詞，然后利用for循環逐個去B.txt里面匹配（注意正則寫法^$i$），如果匹配到的結果數不為0，說明這個關鍵詞是重復的，然后輸出#這種方法的優點是穩妥，缺點是效率太TM低了，90萬個詞逐一與400萬詞匹配，shell默認又沒有多線程，耗時太長。姿勢四：
awk -F, '{print $1}' A >keywords.txtcat keywords.txt B.txt | awk '!a[$1]++' #這個方法的原理其實我不太懂，awk命令實在太強大太高深了，但是這種方法又簡潔又快速其實還有一種grep -v 、grep -f 的方法，但是我沒有試過，所以不在這里列出了。
總結
以上就是這篇文章的全部內容了，希望本文的內容對大家的學習或者工作能帶來一定的幫助，如果有疑問大家可以留言交流。
新聞熱點
疑難解答
