试想一下,如果有10G数据,或者更多;怎么才能够快速地去重呢?你会说将数据导入到数据库(mysql等)进行去重,或者用java写个程序进行去重,或者用Hadoop进行处理。如果是大量的数据要写入数据库也不是一件容易的事情,首先你需要开发一个程序将数据写入数据库,然后再用数据库的select distinct或者group by进行去重。如果是一次性的工作,这种方式显得就比较笨拙了。那么有没有更好的办法呢?下面记录一下我是怎么从10G数据里面迅速去重的。这里采用shell脚本的方式进行处理。
说明
这10G数据分布在七八个文件中
文件编码格式为gb2312
数据格式:
"ID","已采","已发","内容","PageUrl"
"1","1","1","====================会员名:鬼脚七||||||||||||||||||会员等级:军长第5年|||姓名:张三 |||====================会员名:鬼脚七||||||||||||||||||会员等级:军长第5年|||姓名:张三 |||====================会员名:鬼脚七||||||||||||||||||会员等级:军长第5年|||姓名:张三 |||====================会员名:鬼脚七||||||||||||||||||会员等级:军长第5年|||姓名:张三 |||","http://www.xxx.com/"
"1","1","1","====================会员名:鬼脚七||||||||||||||||||会员等级:军长第5年|||姓名:张三 |||====================会员名:鬼脚七||||||||||||||||||会员等级:军长第5年|||姓名:张三 |||====================会员名:鬼脚七||||||||||||||||||会员等级:军长第5年|||姓名:张三 |||====================会员名:鬼脚七||||||||||||||||||会员等级:军长第5年|||姓名:张三 |||","http://www.xxx.com/"
"1","1","1","====================会员名:鬼脚七||||||||||||||||||会员等级:军长第5年|||姓名:张三 |||====================会员名:鬼脚七||||||||||||||||||会员等级:军长第5年|||姓名:张三 |||====================会员名:鬼脚七||||||||||||||||||会员等级:军长第5年|||姓名:张三 |||====================会员名:鬼脚七||||||||||||||||||会员等级:军长第5年|||姓名:张三 |||","http://www.xxx.com/"
数据格式说明:
- 上面是3行数据
- 每行都是5个field
- 每个field间用“,”隔开
- 而需要的内容在第4个field(也就是内容这个field)
- 内容field间会员用“ ==================== ”隔开
要达到的效果:将会员信息提取出来并去重
实现思路和测试
1.由于文件编码是gb2312编码,所以第一步是将文件编码转成utf-8编码
iconv -c -f gb2312 -t utf-8 test.txt > test2.txt
这里我们用linux系统自带的iconv命令进行转换,-c的意思是将无法识别的字符直接忽略掉
2、获取会员信息,由于是第4个field,因而我们只需要获取第四个field即可,这里采用awk命令获取
awk 'BEGIN{ FS=",";}{ print $4 }' test2.txt > test_menber.txt
awk指定分隔符的方法为FS=”,”,运行后的结果如下
vi test_menber.txt
"内容"
"====================会员名:鬼脚七||||||||||||||||||会员等级:军长第5年|||姓名:张三 |||====================会员名:鬼脚七||||||||||||||||||会员等级:军长第5年|||姓名:张三 |||====================会员名:鬼脚七||||||||||||||||||会员等级:军长第5年|||姓名:张三 |||====================会员名:鬼脚七||||||||||||||||||会员等级:军长第5年|||姓名:张三 |||"
"====================会员名:鬼脚七||||||||||||||||||会员等级:军长第5年|||姓名:张三 |||====================会员名:鬼脚七||||||||||||||||||会员等级:军长第5年|||姓名:张三 |||====================会员名:鬼脚七||||||||||||||||||会员等级:军长第5年|||姓名:张三 |||====================会员名:鬼脚七||||||||||||||||||会员等级:军长第5年|||姓名:张三 |||"
"====================会员名:鬼脚七||||||||||||||||||会员等级:军长第5年|||姓名:张三 |||====================会员名:鬼脚七||||||||||||||||||会员等级:军长第5年|||姓名:张三 |||====================会员名:鬼脚七||||||||||||||||||会员等级:军长第5年|||姓名:张三 |||====================会员名:鬼脚七||||||||||||||||||会员等级:军长第5年|||姓名:张三 |||"
这里已经获取到了会员的信息;但是一行有多个会员的信息,而个数又是不固定的。因此下面是想办法一行显示一个会员
3、一行显示一个会员
由于会员信息间通过“====================”分割,要实现一行显示一个会员只需要将“====================”替换成换行即可。
sed -i "s/====================/
/g" test_menber.txt
查看test_menber.txt的内容
vi test_menber.txt
1 "内容"
2 "
3 会员名:鬼脚七||||||||||||||||||会员等级:军长第5年|||姓名:张三 |||
4 会员名:鬼脚七||||||||||||||||||会员等级:军长第5年|||姓名:张三 |||
5 会员名:鬼脚七||||||||||||||||||会员等级:军长第5年|||姓名:张三 |||
6 会员名:鬼脚七||||||||||||||||||会员等级:军长第5年|||姓名:张三 |||"
7 "
8 会员名:鬼脚七||||||||||||||||||会员等级:军长第5年|||姓名:张三 |||
9 会员名:鬼脚七||||||||||||||||||会员等级:军长第5年|||姓名:张三 |||
10 会员名:鬼脚七||||||||||||||||||会员等级:军长第5年|||姓名:张三 |||
11 会员名:鬼脚七||||||||||||||||||会员等级:军长第5年|||姓名:张三 |||"
12 "
13 会员名:鬼脚七||||||||||||||||||会员等级:军长第5年|||姓名:张三 |||
14 会员名:鬼脚七||||||||||||||||||会员等级:军长第5年|||姓名:张三 |||
15 会员名:鬼脚七||||||||||||||||||会员等级:军长第5年|||姓名:张三 |||
16 会员名:鬼脚七||||||||||||||||||会员等级:军长第5年|||姓名:张三 |||"
4、替换掉其他字符“””、空行和“|||”
#将“"”替换成空字符串
sed -i "s/"//g" test_menber.txt
#删除空行
sed -i '/^$/d' test_menber.txt
#将分隔符|||换成@
sed -i "s/|||/@/g" test_menber.txt
5、根据会员名去重
sort -t $"@" -k 1,1 -su test_menber.txt >test_uniq.txt
-t可以指定分隔符,-k指定排序的field, -su表示稳定排序并去重
查看结果
[root@bogon yichen]# more test_uniq.txt
会员名:鬼脚七@@@@@@会员等级:军长第5年@姓名:张三 @
内容
思路和测试完成了,但是文件比较多,一个个文件去处理也比较麻烦。因而写个脚本去处理即可
脚本批量处理
1、转换文件编码
[root@bogon yichen]# vi iconv_shell.sh
#!/bin/sh
if [ "$#" != "2" ]; then
echo "Usage: `basename $0` dir filter"
exit
fi
echo $1
for file in `find $1 -name "$2"`; do
echo "$file"
iconv -c -f gb2312 -t utf8 $file > ${file}_utf8
调用./iconv_shell.sh 目录 文件通配符,例如:
./iconv_shell.sh ./ "*txt"
此时生成的文件后缀为:.txt_utf8
2、提取会员信息
vi awk_filler.sh
#!/bin/sh
if [ "$#" != "2" ]; then
echo "Usage: `basename $0` dir filter"
exit
fi
for file in `find $1 -name "$2"`; do
echo "$file"
awk 'BEGIN{ FS=",";}{ print $4 }' $file > ${file}_menber
done
调用
./awk_filler.sh ./ "*.txt_utf8"
此时生成的文件后缀为:.txt_utf8 _menber
3、替换“ ==================== ”、“””、“|||”和换行
vi sed_shell.sh
#!/bin/sh
if [ "$#" != "2" ]; then
echo "Usage: `basename $0` dir filter"
exit
fi
for file in `find $1 -name "$2"`; do
echo "$file"
sed -i "s/====================/
/g; s/"//g; /^$/d; s/|||/@/g" $file
done
for file in `find $1 -name "$2"`; do
echo "$file"
sed -i "/^$/d" $file
done
sed支持多表达式:sed “表达式1;表达式2” filename,注意表达式之间用“;”号隔开。
调用:
sh ./sed_shell.sh ./ "*.txt_utf8_menber"
替换后的文件后缀仍为txt_utf8_menber
4、去重
vi uniq_shell.sh
#!/bin/sh
if [ "$#" != "2" ]; then
echo "Usage: `basename $0` dir filter"
exit
fi
for file in `find $1 -name "$2"`; do
echo "$file"
sort -t $"@" -k 1,1 -su ${file} >${file}_uniq
done
调用:
sh ./uniq_shell.sh ./ "*.txt_utf8_menber"
最后生成去重后的文件后缀为txt_utf8_menber_uniq
其实也可以放在一个shell脚本里面完成,这里就不再阐述了。想想看10G的文件用几个简单的命令就完成了去重,可见linux的强大。所以说学几个简单的linux命令还是很有必要的,这样可以大大地降低你的工作量,提高工作的效率。