标签：
前面写过一篇通过shell脚本去重10G数据的文章，见《用几条shell命令快速去重10G数据》。然而今天又碰到另外一个业务，业务复杂度比上次的单纯去重要复杂很多。找了很久没有找到相应的办法，于是用shell脚本程序去处理。具体业务逻辑：
1、首先根据给定指定进行排序
2、排序后对给定字段进行去重，去重的规则如下：
a）排序后如果相邻N行给定字段值相同的行数不超过两行，则两行都保留。
a）排序后如果相邻N行给定字段值相同的行数超过两行，则保留首行和尾行。
就这样一个业务逻辑，其实看起来并不是太难。但是问题来了，怎么才能在10～20G的数据中快速地进行处理呢？网上找了很久没找到相应的处理办法，于是先用一种相对笨的办法实现。
测试数据：
F250A4FFIDJDJ2938X39252E7,20080304041348 ,OQQQQB8,8769E,88888626,727218105,ss F250A4FFIDJDJ2938X39252E7,20080304041348 ,OQQQQB8,8769E,88888626,727218105,ss F250A4FFIDJDJ2938X39252E7,20080304041348 ,OQQQQB8,8769E,88888626,727218105,ss F250A4FFIDJDJ2938X39252E7,20080304041348 ,OQQQQB8,8769E,88888626,727218105,ss A0223EE1IDJDJ2938X39284BE,20080304041155 ,OQQQQ54,876F0,88888120,727271202,ss A0223EE1IDJDJ2938X39284BE,20080304041155 ,OQQQQ54,876F0,88888120,727271202,ss
shell脚本：
if [ "$#" != "2" ]; then echo "Usage: 参数1：文件路径，参数2：文件名。" exit fi #源文件所在目录 filepath=$1 #源文件绝对路径 orgfile=$filepath"/"$2 #合并字段后的临时文件 #mergerfile="$orgfile"_merge.txt #排序后的临时文件 sortfile="$orgfile"_sort.txt #最终结果文件 result_unique="$orgfile"_result_unique.txt echo "">$result_unique #echo "文件：$orgfile" #echo "开始合并字段..." #awk ‘BEGIN{ FS=",";}{ print $1","$2","$3","$4","$5","$6","$7","$1$3$4 }‘ $orgfile > $mergerfile #echo "字段合并结束..." echo "文件排序 start..." #sort -t $"," -k 1,1 -k 9,9 $mergerfile >$sortfile sort -t $"," -k 1,1 -k 3,4 $orgfile >$sortfile echo "文件排序 end..." printf "***********文件比较 start**************************\n" echo "while read line <$sortfile" cnt=0 #首行 firstline="" #尾行 lastline="" #上一次比较的key lastKey="" #文件行数 linecount=`sed -n ‘$=‘ $sortfile` i=1 echo "linecount=========>>>>>>>$linecount" #********************[[ -n "$line" ]] 确保最后一行也能被读取到*************************** while read line || [[ -n "$line" ]]; do echo $line; #合并需要比较的字段 compare=`echo "$line"|awk -F ‘,‘ ‘{print $1$3$4}‘` echo "compare=====$compare" #判断是否为最后一行，且和前一行的key是否相等 if [ "$i" != "$linecount" -a "$lastKey" = "$compare" ];then echo "[ = ]" cnt=$(expr $cnt + 1) lastline="$line" else #首次进来 if [ "$firstline" = "" ];then firstline=$line cnt=1 echo "$firstline" >> $result_unique fi #echo "----$i---------------->>>>>>>>>>>$cnt" if [ $cnt -gt 1 -o "$i" == "$linecount" ];then echo "----$i---------------->>>>>>>>>>>$cnt" if [ "$lastline" != "" ];then echo "$lastline" >> $result_unique fi # 最后一行的特殊处理 if [ "$i" == "$linecount" ];then echo "================last line===================" echo "$line" >> $result_unique fi firstline="$line" lastline="" cnt=1 fi fi # 对比key lastKey="$compare" let i++ done <$sortfile echo "*******************文件 $orgfile 处理结束***************************" echo "*******************结果文件 $result_unique ***************************" exit
给脚本添加执行权限：
chmod +x uniquefile.sh
执行shell脚本
sh ./uniquefile.sh ./文件路径 文件名
结果：
[root@xddsdsdsddssd ~]# sh uniquefile.sh ./ testfile.csv 文件排序 start... 文件排序 end... ***********文件比较 start************************** while read line <.//testfile.csv_sort.txt linecount=========>>>>>>>6 A0223EE1IDJDJ2938X39284BE,20080304041155 ,OQQQQ54,876F0,88888120,727271202,ss compare=====A0223EE1IDJDJ2938X39284BEOQQQQ54876F0 A0223EE1IDJDJ2938X39284BE,20080304041155 ,OQQQQ54,876F0,88888120,727271202,ss compare=====A0223EE1IDJDJ2938X39284BEOQQQQ54876F0 [ = ] F250A4FFIDJDJ2938X39252E7,20080304041348 ,OQQQQB8,8769E,88888626,727218105,ss compare=====F250A4FFIDJDJ2938X39252E7OQQQQB88769E ----3---------------->>>>>>>>>>>2 F250A4FFIDJDJ2938X39252E7,20080304041348 ,OQQQQB8,8769E,88888626,727218105,ss compare=====F250A4FFIDJDJ2938X39252E7OQQQQB88769E [ = ] F250A4FFIDJDJ2938X39252E7,20080304041348 ,OQQQQB8,8769E,88888626,727218105,ss compare=====F250A4FFIDJDJ2938X39252E7OQQQQB88769E [ = ] F250A4FFIDJDJ2938X39252E7,20080304041348 ,OQQQQB8,8769E,88888626,727218105,ss compare=====F250A4FFIDJDJ2938X39252E7OQQQQB88769E ----6---------------->>>>>>>>>>>3 ================last line=================== *******************文件 .//testfile.csv 处理结束*************************** *******************结果文件 .//testfile.csv_result_unique.txt ***************************
最终结果文件：
[root@wewewwew ~]# more testfile.csv_result_unique.txt A0223EE1IDJDJ2938X39284BE,20080304041155 ,OQQQQ54,876F0,88888120,727271202,ss A0223EE1IDJDJ2938X39284BE,20080304041155 ,OQQQQ54,876F0,88888120,727271202,ss F250A4FFIDJDJ2938X39252E7,20080304041348 ,OQQQQB8,8769E,88888626,727218105,ss F250A4FFIDJDJ2938X39252E7,20080304041348 ,OQQQQB8,8769E,88888626,727218105,ss
时间比较赶，先这样实现吧。哪位亲们有好的办法请告诉我。
标签：
原文地址：http://www.cnblogs.com/rwxwsblog/p/5638393.html
