linux文件合併，去重，分割

第一：兩個文件的交集，並集
前提條件：每一個文件中不得有重複行
1. 取出兩個文件的並集(重複的行只保留一份)
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，留下其餘的行
1. cat file1 file2 | sort | uniq > file3
2. cat file1 file2 | sort | uniq -d > file3
3. cat file1 file2 | sort | uniq -u > file3

第二：兩個文件合併
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複的行：
sort file |uniq
注意：重複的多行記爲一行，也就是說這些重複的行還在，只是所有省略爲一行！
sort file |uniq -u
上面的命令能夠把重複的行所有去掉，也就是文件中的非重複行！

具體細節能夠查看，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：

採用一個50M大小的日誌文件進行測試。
日誌文件名：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              //必定要先解壓，不然分割的文件是不能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     //經過指定行數，將日誌分割成兩個文件 ；
#  du -sh *50M     log.txt
29M     newlogaa
22M     newlogab
# file *                          //分割後的文件與原文件屬性同樣
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          //將分割後的文件進行壓縮，以便傳輸

 

方法2：（dd分割）
# gunzip log.txt.gz             //必定要先解壓，不然分割的文件是不能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  //將大小以後的生成另外一個文件#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一樣文件的狀況，除非你以及日誌分析系統能夠「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 //後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，因此考慮到效率，應使用合併成：

#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以外的三種方式均可以很好的整行分割日誌文件。進行分割時，應考慮在讀一次文件的同時完成，如否則，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後一部分，那麼執行第二行命令文件時，前x行是白白讀一遍的，執行的效率將不好，如文件過大，還可能出現內存不夠的狀況。