linux文件合並，去重，分割

第一：兩個文件的交集，並集
前提條件：每個文件中不得有重復行
1. 取出兩個文件的並集(重復的行只保留一份)
2. 取出兩個文件的交集(只留下同時存在於兩個文件中的文件)
3. 刪除交集，留下其他的行
1. cat file1 file2 | sort | uniq > file3
2. cat file1 file2 | sort | uniq -d > file3
3. cat file1 file2 | sort | uniq -u > file3

第二：兩個文件合並
一個文件在上，一個文件在下
cat file1 file2 > file3
一個文件在左，一個文件在右
paste file1 file2 > file3

第三：一個文件去掉重復的行：
sort file |uniq
注意：重復的多行記為一行，也就是說這些重復的行還在，只是全部省略為一行！
sort file |uniq -u
上面的命令可以把重復的行全部去掉，也就是文件中的非重復行！

具體細節可以查看，cat，sort，uniq等命令的詳細介紹

第四：將一個大的文件分割成多個小文件：

采用一個50M大小的日志文件進行測試。
日志文件名：log.txt.gz。
文件行數：208363

方法1：（split分割）
語法：split [-<行數>][-b <字節>][-C <字節>][-l <行數>][要切割的文件][輸出文件名]

#  gunzip log.txt.gz              //一定要先解壓，否則分割的文件是不能cat/zcat顯示；

# wc -l log.txt                 //計算一個文件的總行數；

208363 log.txt
#  split -l 120000 log.txt newlog     //通過指定行數，將日志分割成兩個文件 ；
#  du -sh *50M     log.txt
29M     newlogaa
22M     newlogab
# file *                          //分割后的文件與原文件屬性一樣
log.txt: ASCII text, with very long lines, with CRLF line terminators
newlogaa: ASCII text, with very long lines, with CRLF line terminators
newlogab: ASCII text, with very long lines, with CRLF line terminators
# gzip newlogaa newlogab          //將分割后的文件進行壓縮，以便傳輸

 

方法2：（dd分割）
# gunzip log.txt.gz             //一定要先解壓，否則分割的文件是不能cat/zcat顯示；

#dd bs=20480 count=1500 if=log.txt of=newlogaa      //按大小分第一個文件

#dd bs=20480 count=1500 if=log.txt of=newlogab skip=1500  //將大小之后的生成另一個文件#file *

log.txt: ASCII text, with very long lines, with CRLF line terminators
newlogaa: ASCII text, with very long lines, with CRLF line terminators
newlogab: ASCII text, with very long lines, with CRLF line terminators

 

分割沒問題，但會出現同一行分到不同文件的情況，除非你以及日志分析系統可以“容忍”。

 

方法3：（head+tail 分割）
#gzip log.txt.gz               //如不解壓縮，下面請用zcat。
#wc -l log.txt                 //統計一個行數
208363 log.txt
# head -n `echo $((208363/2+1))` log.txt > newloga.txt       //前x行重定向輸出到一個文件中；

#tail –n `echo $((208363-208362/2-1))` log.txt >newlogb.txt //后x行重定向輸出到一個文件中；

#gzip newloga.txt newlogb.txt          //將兩個文件進行壓縮

方法4：（awk分割）
#gzip log.txt.gz#awk ‘{if (NR<120000) print $0}’ log.txt >newloga.txt#awk ‘{if (NR>=120000) print $0}’ log.txt >newlogb.txt

 

以上兩個命令，都要遍歷整個文件，所以考慮到效率，應使用合並成：

#awk ‘{if (NR<120000) print $0 >”newloga.txt”;if (NR>=120000) print $0>”newlogb.txt”}’ log.txt

 

以上四種方法，除了dd之外的三種方式都可以很好的整行分割日志文件。進行分割時，應考慮在讀一次文件的同時完成，如不然，按下面的方式分割：
Cat log.txt| head –12000 >newloga.txt
Cat log.txt | tail –23000 >newlogb.txt
如用此方法分割文件的后一部分，那么執行第二行命令文件時，前x行是白白讀一遍的，執行的效率將很差，如文件過大，還可能出現內存不夠的情況。