试想一下，如果有10G数据，或者更多；怎么才能够快速地去重呢？你会说将数据导入到数据库（mysql等）进行去重，或者用java写个程序进行去重，或者用Hadoop进行处理。如果是大量的数据要写入数据库也不是一件容易的事情，首先你需要开发一个程序将数据写入数据库，然后再用数据库的select distinct或者group by进行去重。如果是一次性的工作，这种方式显得就比较笨拙了。那么有没有更好的办法呢？下面记录一下我是怎么从10G数据里面迅速去重的。这里采用shell脚本的方式进行处理。如果您对shell脚本不熟悉，可以参考之前的文章我常用的那些linux命令，里面介绍了我常用的一些linux命令。也可以查看本博客的linux分类http://www.cnblogs.com/rwxwsblog/category/687866.html，基本上就是里面说到的一些知识点。好了，入正题。
一、说明：
1、这10G数据分布在七八个文件中
2、文件编码格式为gb2312
3、数据格式：
"ID","已采","已发","内容","PageUrl""1","1","1","====================会员名：鬼脚七||||||||||||||||||会员等级：军长第5年|||姓名：张三 |||====================会员名：鬼脚七||||||||||||||||||会员等级：军长第5年|||姓名：张三 |||====================会员名：鬼脚七||||||||||||||||||会员等级：军长第5年|||姓名：张三 |||====================会员名：鬼脚七||||||||||||||||||会员等级：军长第5年|||姓名：张三 |||","http://www.xxx.com/" "1","1","1","====================会员名：鬼脚七||||||||||||||||||会员等级：军长第5年|||姓名：张三 |||====================会员名：鬼脚七||||||||||||||||||会员等级：军长第5年|||姓名：张三 |||====================会员名：鬼脚七||||||||||||||||||会员等级：军长第5年|||姓名：张三 |||====================会员名：鬼脚七||||||||||||||||||会员等级：军长第5年|||姓名：张三 |||","http://www.xxx.com/" "1","1","1","====================会员名：鬼脚七||||||||||||||||||会员等级：军长第5年|||姓名：张三 |||====================会员名：鬼脚七||||||||||||||||||会员等级：军长第5年|||姓名：张三 |||====================会员名：鬼脚七||||||||||||||||||会员等级：军长第5年|||姓名：张三 |||====================会员名：鬼脚七||||||||||||||||||会员等级：军长第5年|||姓名：张三 |||","http://www.xxx.com/"
数据格式说明：
- 上面是3行数据
- 每行都是5个field
- 每个field间用“,”隔开
- 而需要的内容在第4个field（也就是内容这个field）
- 内容field间会员用“====================”隔开
要达到的效果：将会员信息提取出来并去重
二、实现思路和测试：
1、由于文件编码是gb2312编码，所以第一步是将文件编码转成utf-8编码
iconv -c -f gb2312 -t utf-8 test.txt > test2.txt
这里我们用linux系统自带的iconv命令进行转换，-c的意思是将无法识别的字符直接忽略掉
2、获取会员信息，由于是第4个field，因而我们只需要获取第四个field即可，这里采用awk命令获取
awk ‘BEGIN{ FS=",";}{ print $4 }‘ test2.txt > test_menber.txt
awk指定分隔符的方法为FS=","，运行后的结果如下
vi test_menber.txt
"内容" "====================会员名：鬼脚七||||||||||||||||||会员等级：军长第5年|||姓名：张三 |||====================会员名：鬼脚七||||||||||||||||||会员等级：军长第5年|||姓名：张三 |||====================会员名：鬼脚七||||||||||||||||||会员等级：军长第5年|||姓名：张三 |||====================会员名：鬼脚七||||||||||||||||||会员等级：军长第5年|||姓名：张三 |||" "====================会员名：鬼脚七||||||||||||||||||会员等级：军长第5年|||姓名：张三 |||====================会员名：鬼脚七||||||||||||||||||会员等级：军长第5年|||姓名：张三 |||====================会员名：鬼脚七||||||||||||||||||会员等级：军长第5年|||姓名：张三 |||====================会员名：鬼脚七||||||||||||||||||会员等级：军长第5年|||姓名：张三 |||" "====================会员名：鬼脚七||||||||||||||||||会员等级：军长第5年|||姓名：张三 |||====================会员名：鬼脚七||||||||||||||||||会员等级：军长第5年|||姓名：张三 |||====================会员名：鬼脚七||||||||||||||||||会员等级：军长第5年|||姓名：张三 |||====================会员名：鬼脚七||||||||||||||||||会员等级：军长第5年|||姓名：张三 |||"
这里已经获取到了会员的信息；但是一行有多个会员的信息，而个数又是不固定的。因此下面是想办法一行显示一个会员
3、一行显示一个会员
由于会员信息间通过“====================”分割，要实现一行显示一个会员只需要将“====================”替换成换行即可。
sed -i "s/====================/\n/g" test_menber.txt
查看test_menber.txt的内容
vi test_menber.txt
1 "内容"
2 "
3 会员名：鬼脚七||||||||||||||||||会员等级：军长第5年|||姓名：张三 |||
4 会员名：鬼脚七||||||||||||||||||会员等级：军长第5年|||姓名：张三 |||
5 会员名：鬼脚七||||||||||||||||||会员等级：军长第5年|||姓名：张三 |||
6 会员名：鬼脚七||||||||||||||||||会员等级：军长第5年|||姓名：张三 |||"
7 "
8 会员名：鬼脚七||||||||||||||||||会员等级：军长第5年|||姓名：张三 |||
9 会员名：鬼脚七||||||||||||||||||会员等级：军长第5年|||姓名：张三 |||
10 会员名：鬼脚七||||||||||||||||||会员等级：军长第5年|||姓名：张三 |||
11 会员名：鬼脚七||||||||||||||||||会员等级：军长第5年|||姓名：张三 |||"
12 "
13 会员名：鬼脚七||||||||||||||||||会员等级：军长第5年|||姓名：张三 |||
14 会员名：鬼脚七||||||||||||||||||会员等级：军长第5年|||姓名：张三 |||
15 会员名：鬼脚七||||||||||||||||||会员等级：军长第5年|||姓名：张三 |||
16 会员名：鬼脚七||||||||||||||||||会员等级：军长第5年|||姓名：张三 |||"
4、替换掉其他字符“"”、空行和“|||”
#将“"”替换成空字符串 sed -i "s/\"//g" test_menber.txt #删除空行 sed -i ‘/^$/d‘ test_menber.txt #将分隔符|||换成@ sed -i "s/|||/@/g" test_menber.txt
5、根据会员名去重
sort -t $"@" -k 1,1 -su test_menber.txt >test_uniq.txt
-t可以指定分隔符，-k指定排序的field， -su表示稳定排序并去重
查看结果
[[email protected] yichen]# more test_uniq.txt 会员名：鬼脚七@@@@@@会员等级：军长第5年@姓名：张三 @ 内容
思路和测试完成了，但是文件比较多，一个个文件去处理也比较麻烦。因而写个脚本去处理即可
三、脚本批量处理
1、转换文件编码
[[email protected] yichen]# vi iconv_shell.sh
#!/bin/sh
if [ "$#" != "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 > ${file}_utf8
调用./iconv_shell.sh 目录 文件通配符，例如：
./iconv_shell.sh ./ "*txt"
此时生成的文件后缀为：.txt_utf8
2、提取会员信息
vi awk_filler.sh
#!/bin/sh
if [ "$#" != "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 > ${file}_menber
done
调用
./awk_filler.sh ./ "*.txt_utf8"
此时生成的文件后缀为：.txt_utf8_menber
3、替换“====================”、“"”、“|||”和换行
vi sed_shell.sh #!/bin/sh if [ "$#" != "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" $file done
sed支持多表达式：sed "表达式1;表达式2" filename，注意表达式之间用“;”号隔开。
调用：
sh ./sed_shell.sh ./ "*.txt_utf8_menber"
替换后的文件后缀仍为txt_utf8_menber
4、去重
vi uniq_shell.sh
#!/bin/sh
if [ "$#" != "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
调用：
sh ./uniq_shell.sh ./ "*.txt_utf8_menber"
最后生成去重后的文件后缀为txt_utf8_menber_uniq
其实也可以放在一个shell脚本里面完成，这里就不再阐述了。想想看10G的文件用几个简单的命令就完成了去重，可见linux的强大。所以说学几个简单的linux命令还是很有必要的，这样可以大大地降低你的工作量，提高工作的效率。这是我觉得相对较快的处理方式，如果您有更好的处理方式不妨告诉我。