利用Linux命令行进行文本按行去重并按重复次数排序

利用Linux命令行进行文本按行去重并按重复次数排序

linux命令行提供了非常强大的文本处理功能，组合利用linux命令能实现好多强大的功能。本文这里举例说明如何利用Linux命令行进行文本按行去重并按重复次数排序。主要用到的命令有sort，uniq和cut。其中，sort主要功能是排序，uniq主要功能是实现相邻文本行的去重，cut可以从文本行中提取相应的文本列(简单地说，就是按列操作文本行)。

用于演示的测试文件内容如下：

[plain]

HelloWorld.

AppleandNokia.

HelloWorld.

IwannabuyanAppledevice.

TheIphoneofApplecompany.

HelloWorld.

TheIphoneofApplecompany.

MynameisFriendfish.

HelloWorld.

AppleandNokia.

实现命令及过程如下：

[plain]

1、文本行去重

(1)排序

由于uniq命令只能对相邻行进行去重复操作，所以在进行去重前，先要对文本行进行排序，使重复行集中到一起。

$sorttest.txt

AppleandNokia.

AppleandNokia.

HelloWorld.

HelloWorld.

HelloWorld.

HelloWorld.

IwannabuyanAppledevice.

MynameisFriendfish.

TheIphoneofApplecompany.

TheIphoneofApplecompany.

(2)去掉相邻的重复行

$sorttest.txt|uniq

AppleandNokia.

HelloWorld.

IwannabuyanAppledevice.

MynameisFriendfish.

TheIphoneofApplecompany.

2、文本行去重并按重复次数排序

(1)首先，对文本行进行去重并统计重复次数(uniq命令加-c选项可以实现对重复次数进行统计。)。

$sorttest.txt|uniq-c

2AppleandNokia.

4HelloWorld.

1IwannabuyanAppledevice.

1MynameisFriendfish.

2TheIphoneofApplecompany.

(2)对文本行按重复次数进行排序。

sort-n可以识别每行开头的数字，并按其大小对文本行进行排序。默认是按升序排列，如果想要按降序要加-r选项(sort-rn)。

$sorttest.txt|uniq-c|sort-rn

4HelloWorld.

2TheIphoneofApplecompany.

2AppleandNokia.

1MynameisFriendfish.

1IwannabuyanAppledevice.

(3)每行前面的删除重复次数。

cut命令可以按列操作文本行。可以看出前面的重复次数占8个字符，因此，可以用命令cut-c9-取出每行第9个及其以后的字符。

$sorttest.txt|uniq-c|sort-rn|cut-c9-

HelloWorld.

TheIphoneofApplecompany.

AppleandNokia.

MynameisFriendfish.

IwannabuyanAppledevice.

下面附带说一下cut命令的使用，用法如下：

[plain]

cut-blist[-n][file...]

cut-clist[file...]

cut-flist[-ddelim][-s][file...]

上面的-b、-c、-f分别表示字节、字符、字段（即byte、character、field）；

list表示-b、-c、-f操作范围，-n常常表示具体数字；

file表示的自然是要操作的文本文件的名称；

delim（英文全写：delimiter）表示分隔符，默认情况下为TAB；

-s表示不包括那些不含分隔符的行（这样有利于去掉注释和标题）

三种方式中，表示从指定的范围中提取字节（-b）、或字符（-c）、或字段（-f）。

范围的表示方法：

n只有第n项

n-从第n项一直到行尾

n-m从第n项到第m项(包括m)

-m从一行的开始到第m项(包括m)

-从一行的开始到结束的所有项

在写这篇文章的时候，用到了vim的大小写转化的快捷键：gu变小写，gU变大写。结合ctrl+v能够将一片文字中的字符进行大小写转换，非常好用。