Linux实现文件内容去重及求交并差集
一、数据去重
日常工作中,使用Hive或者Impala查询导出来可能会存在数据重复的现象,但又不想重新执行一遍查询(查询时间稍长,导出文件内容多),因此想到了使用Linux命令将文件的内容重复数据进行去除。
案例如下:
可以看到aaa.txx有3条重复数据
想去掉多余的数据,只保留一条
sort aaa.txt | uniq > bbb.txt
将aaa.txt文件中重复数据去掉,输出到bbb.txt
可以看到bbb.txt文件中只保留了一条数据
二、数据交、并、差
1)、交集(相当于user_2022 inner join user_2022 on user_2022.user_no=user_2022.user_no)
sort user_2022.txt user_2022.txt | uniq -d
2)、并集(相当于 user_2022.user_no union user_2022.user_no)
sort user_2022.txt user_2022.txt | uniq
3)、差集
user_2022.txt-user_2022.txt
sort user_2022.txt user_2022.txt user_2022.txt | uniq -u
user_2022.txt – user_2022.txt:
sort user_2022.txt user_2022.txt user_2022.txt | uniq -u
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持共生网络。
原创文章,作者:starterknow,如若转载,请注明出处:https://www.starterknow.com/107477.html