利用Shell腳本進行文件內容去重

      最近在處理文件的時候，遇到文件內容存在大量重復項的情況，很顯然需要文件內容去重。因為使用的是Python，本來想要找找Python文件內容去重的方法，但是看到的基本利用Set或者List等方法（還沒來得及逐一驗證）。后來，找到一個利用Shell腳本寫的文件內容去重，用了一下覺得很贊，在這里深入的研究一下，也算是對Shell了解和熟悉一下。

      shell腳本如下所示：

#!/bin/bash
lines=$(wc -l $1 | sed 's/ .*//g')
lines_per_file=`expr $lines / 20`
split -d -l $lines_per_file $1 __part_$1
for file in __part_*
do
{
  sort $file > sort_$file
} &
done
wait
sort -smu sort_* > $2
rm -f __part_*
rm -f sort_*

      腳本運行的命令如下：（假如文件保存的名字為：merge_sort.sh）

./merge_sort.sh file_to_be_sort file_sorted

      下面，來說明一下腳本中幾個比較重要的命令。

      wc -l命令的意思就是統計文本的行數，但是得到的結果如下圖所示：

      除了得到文本的所有行外，文件的名字也輸出了，如果只要得到行數，后面的內容需要替換掉。

      sed命令可以完成數據的搜索並替換，具體格式如下：

sed 's/要被取代的字串/新的字串/g'

      sed 's/ .*//g'命令的意思是把除換行符以外的任意字符去掉。

      split命令用於分割文件。-d表示分割后的文件后綴用數字代替字母。-l表示分割后的文件中，每個文件有多少行。

      sort命令用於對文件內容進行排序。-s表示穩定排序，可以讓sort不在關鍵詞相同的時候再比較一整行（一般是要關鍵詞相同的時候，才比較一整行），-u刪除重復項，-m合並所有文件。

      這里，只是對腳本中幾個重要的命令的一些簡要說明。其實，這幾個命令有更加強大的用法。后續慢慢體會吧。