用幾條shell命令快速去重10G數據

　　試想一下，如果有10G數據，或者更多；怎么才能夠快速地去重呢？你會說將數據導入到數據庫（mysql等）進行去重，或者用java寫個程序進行去重，或者用Hadoop進行處理。如果是大量的數據要寫入數據庫也不是一件容易的事情，首先你需要開發一個程序將數據寫入數據庫，然后再用數據庫的select distinct或者group by進行去重。如果是一次性的工作，這種方式顯得就比較笨拙了。那么有沒有更好的辦法呢？下面記錄一下我是怎么從10G數據里面迅速去重的。這里采用shell腳本的方式進行處理。如果您對shell腳本不熟悉，可以參考之前的文章我常用的那些linux命令，里面介紹了我常用的一些linux命令。也可以查看本博客的linux分類http://www.cnblogs.com/rwxwsblog/category/687866.html，基本上就是里面說到的一些知識點。好了，入正題。

　　一、說明：

　　1、這10G數據分布在七八個文件中

　　2、文件編碼格式為gb2312

　　3、數據格式：

"ID","已采","已發","內容","PageUrl"
"1","1","1","====================會員名：鬼腳七||||||||||||||||||會員等級：軍長第5年|||姓名：張三 |||====================會員名：鬼腳七||||||||||||||||||會員等級：軍長第5年|||姓名：張三 |||====================會員名：鬼腳七||||||||||||||||||會員等級：軍長第5年|||姓名：張三 |||====================會員名：鬼腳七||||||||||||||||||會員等級：軍長第5年|||姓名：張三 |||","http://www.xxx.com/"
"1","1","1","====================會員名：鬼腳七||||||||||||||||||會員等級：軍長第5年|||姓名：張三 |||====================會員名：鬼腳七||||||||||||||||||會員等級：軍長第5年|||姓名：張三 |||====================會員名：鬼腳七||||||||||||||||||會員等級：軍長第5年|||姓名：張三 |||====================會員名：鬼腳七||||||||||||||||||會員等級：軍長第5年|||姓名：張三 |||","http://www.xxx.com/"
"1","1","1","====================會員名：鬼腳七||||||||||||||||||會員等級：軍長第5年|||姓名：張三 |||====================會員名：鬼腳七||||||||||||||||||會員等級：軍長第5年|||姓名：張三 |||====================會員名：鬼腳七||||||||||||||||||會員等級：軍長第5年|||姓名：張三 |||====================會員名：鬼腳七||||||||||||||||||會員等級：軍長第5年|||姓名：張三 |||","http://www.xxx.com/"

　　

　　數據格式說明：

• 上面是3行數據
• 每行都是5個field
• 每個field間用“,”隔開
• 而需要的內容在第4個field（也就是內容這個field）
• 內容field間會員用“====================”隔開

　　要達到的效果：將會員信息提取出來並去重

　　二、實現思路和測試：

　　1、由於文件編碼是gb2312編碼，所以第一步是將文件編碼轉成utf-8編碼

iconv -c -f gb2312 -t utf-8 test.txt > test2.txt

　　這里我們用linux系統自帶的iconv命令進行轉換，-c的意思是將無法識別的字符直接忽略掉

　　2、獲取會員信息，由於是第4個field，因而我們只需要獲取第四個field即可，這里采用awk命令獲取

awk 'BEGIN{ FS=",";}{ print $4 }' test2.txt > test_menber.txt

　　awk指定分隔符的方法為FS=","，運行后的結果如下

vi test_menber.txt

"內容"
"====================會員名：鬼腳七||||||||||||||||||會員等級：軍長第5年|||姓名：張三 |||====================會員名：鬼腳七||||||||||||||||||會員等級：軍長第5年|||姓名：張三 |||====================會員名：鬼腳七||||||||||||||||||會員等級：軍長第5年|||姓名：張三 |||====================會員名：鬼腳七||||||||||||||||||會員等級：軍長第5年|||姓名：張三 |||"
"====================會員名：鬼腳七||||||||||||||||||會員等級：軍長第5年|||姓名：張三 |||====================會員名：鬼腳七||||||||||||||||||會員等級：軍長第5年|||姓名：張三 |||====================會員名：鬼腳七||||||||||||||||||會員等級：軍長第5年|||姓名：張三 |||====================會員名：鬼腳七||||||||||||||||||會員等級：軍長第5年|||姓名：張三 |||"
"====================會員名：鬼腳七||||||||||||||||||會員等級：軍長第5年|||姓名：張三 |||====================會員名：鬼腳七||||||||||||||||||會員等級：軍長第5年|||姓名：張三 |||====================會員名：鬼腳七||||||||||||||||||會員等級：軍長第5年|||姓名：張三 |||====================會員名：鬼腳七||||||||||||||||||會員等級：軍長第5年|||姓名：張三 |||"

　　這里已經獲取到了會員的信息；但是一行有多個會員的信息，而個數又是不固定的。因此下面是想辦法一行顯示一個會員

　　3、一行顯示一個會員

　　由於會員信息間通過“====================”分割，要實現一行顯示一個會員只需要將“====================”替換成換行即可。

sed -i "s/====================/\n/g" test_menber.txt 

　　查看test_menber.txt的內容

vi test_menber.txt 

      1 "內容"
      2 "
      3 會員名：鬼腳七||||||||||||||||||會員等級：軍長第5年|||姓名：張三 |||
      4 會員名：鬼腳七||||||||||||||||||會員等級：軍長第5年|||姓名：張三 |||
      5 會員名：鬼腳七||||||||||||||||||會員等級：軍長第5年|||姓名：張三 |||
      6 會員名：鬼腳七||||||||||||||||||會員等級：軍長第5年|||姓名：張三 |||"
      7 "
      8 會員名：鬼腳七||||||||||||||||||會員等級：軍長第5年|||姓名：張三 |||
      9 會員名：鬼腳七||||||||||||||||||會員等級：軍長第5年|||姓名：張三 |||
     10 會員名：鬼腳七||||||||||||||||||會員等級：軍長第5年|||姓名：張三 |||
     11 會員名：鬼腳七||||||||||||||||||會員等級：軍長第5年|||姓名：張三 |||"
     12 "
     13 會員名：鬼腳七||||||||||||||||||會員等級：軍長第5年|||姓名：張三 |||
     14 會員名：鬼腳七||||||||||||||||||會員等級：軍長第5年|||姓名：張三 |||
     15 會員名：鬼腳七||||||||||||||||||會員等級：軍長第5年|||姓名：張三 |||
     16 會員名：鬼腳七||||||||||||||||||會員等級：軍長第5年|||姓名：張三 |||"

　　

　　4、替換掉其他字符“"”、空行和“|||”

#將“"”替換成空字符串
sed -i "s/\"//g" test_menber.txt
#刪除空行
sed -i '/^$/d' test_menber.txt
#將分隔符|||換成@
sed -i "s/|||/@/g" test_menber.txt

　　

　　5、根據會員名去重

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表示穩定排序並去重

　　查看結果

[root@bogon yichen]# more test_uniq.txt 
會員名：鬼腳七@@@@@@會員等級：軍長第5年@姓名：張三 @
內容

　　思路和測試完成了，但是文件比較多，一個個文件去處理也比較麻煩。因而寫個腳本去處理即可

　　三、腳本批量處理

　　1、轉換文件編碼

[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

　　調用./iconv_shell.sh 目錄 文件通配符，例如：

./iconv_shell.sh ./ "*txt"

　　此時生成的文件后綴為：.txt_utf8

　　2、提取會員信息

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

　　調用

./awk_filler.sh ./ "*.txt_utf8"

　　此時生成的文件后綴為：.txt_utf8_menber

 

　　3、替換“====================”、“"”、“|||”和換行

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/====================/\n/g; s/\"//g; /^$/d; s/|||/@/g" $file
done

for file in `find $1 -name "$2"`; do
echo "$file"
sed -i "/^$/d" $file
done

　　sed支持多表達式：sed "表達式1;表達式2" filename，注意表達式之間用“;”號隔開。

　　調用：

sh ./sed_shell.sh ./ "*.txt_utf8_menber"

　　替換后的文件后綴仍為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

　　調用：

sh ./uniq_shell.sh ./ "*.txt_utf8_menber"

　　最后生成去重后的文件后綴為txt_utf8_menber_uniq

　　其實也可以放在一個shell腳本里面完成，這里就不再闡述了。想想看10G的文件用幾個簡單的命令就完成了去重，可見linux的強大。所以說學幾個簡單的linux命令還是很有必要的，這樣可以大大地降低你的工作量，提高工作的效率。這是我覺得相對較快的處理方式，如果您有更好的處理方式不妨告訴我。