shell 文件合并，去重，分割

不得不说 使用shell 操作文件 还是很快 很锋利，几个命令就搞定的事情就不要 在使用 什么 stream input reader 语言类来读取写入了，刚好 昨天 在做项目 为了求快 ，尝试了一下 就把 整个目录下的文件 合并成一个了 ，搜的一下 就完成了

shell

#先合并所有的历史数据

cd /民生历史

wc -l ./*

cat. / * | uniq > all.txt

之前 还有一次 就是 一个250G的大文件 要load到neo4j很慢，然后也是 shell 把文件切割了二十小份，批次化就完成了

第一：两个文件的交集，并集
前提条件：每个文件中不得有重复行
1. 取出两个文件的并集(重复的行只保留一份)
2. 取出两个文件的交集(只留下同时存在于两个文件中的文件)
3. 删除交集，留下其他的行

1. cat file1 file2 | sort | uniq > file3
   2. cat file1 file2 | sort | uniq -d > file3
   3. cat file1 file2 | sort | uniq -u > file3

第二：两个文件合并
一个文件在上，一个文件在下
cat file1 file2 > file3
一个文件在左，一个文件在右
paste file1 file2 > file3

第三：一个文件去掉重复的行：
sort file |uniq
注意：重复的多行记为一行，也就是说这些重复的行还在，只是全部省略为一行！
sort file |uniq -u
上面的命令可以把重复的行全部去掉，也就是文件中的非重复行！

具体细节可以查看，cat，sort，uniq等命令的详细介绍

第四：将一个大的文件分割成多个小文件：

采用一个50M大小的日志文件进行测试。
日志文件名：log.txt.gz。
文件行数：208363

方法1：（split分割）
语法：split [-<行数>][-b <字节>][-C <字节>][-l <行数>][要切割的文件][输出文件名]

gunzip log.txt.gz //一定要先解压，否则分割的文件是不能cat/zcat显示；

wc -l log.txt //计算一个文件的总行数；

208363 log.txt

split -l 120000 log.txt newlog //通过指定行数，将日志分割成两个文件；

du -sh *50M log.txt

29M newlogaa
22M newlogab

file * //分割后的文件与原文件属性一样

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 //将分割后的文件进行压缩，以便传输

方法2：（dd分割）

gunzip log.txt.gz //一定要先解压，否则分割的文件是不能cat/zcat显示；

dd bs=20480 count=1500 if=log.txt of=newlogaa //按大小分第一个文件

dd bs=20480 count=1500 if=log.txt of=newlogab skip=1500 //将大小之后的生成另一个文件#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

分割没问题，但会出现同一行分到不同文件的情况，除非你以及日志分析系统可以“容忍”。

方法3：（head+tail 分割）

gzip log.txt.gz //如不解压缩，下面请用zcat。

wc -l log.txt //统计一个行数

208363 log.txt

head -n echo $((208363/2+1)) log.txt > newloga.txt //前x行重定向输出到一个文件中；

tail –n echo $((208363-208362/2-1)) log.txt >newlogb.txt //后x行重定向输出到一个文件中；

gzip newloga.txt newlogb.txt //将两个文件进行压缩

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

以上两个命令，都要遍历整个文件，所以考虑到效率，应使用合并成：

awk ‘{if (NR<120000) print $0 >”newloga.txt”;if (NR>=120000) print $0>”newlogb.txt”}’ log.txt

以上四种方法，除了dd之外的三种方式都可以很好的整行分割日志文件。进行分割时，应考虑在读一次文件的同时完成，如不然，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后一部分，那么执行第二行命令文件时，前x行是白白读一遍的，执行的效率将很差，如文件过大，还可能出现内存不够的情况。