我有一个包含 220k 个名称的 CSV 文件,我想将其批量导入到图形数据库中。批量导入器施加了每个节点只能出现一次的限制,因此我想使用sort
和来删除重复项,uniq
如下所示:
sort all-authors.csv | uniq > unique-authors.csv
在调查丢失的节点时,我观察到了这种奇怪的行为:
$ grep 이선동 unique-authors.csv
$ grep 이선동 all-authors.csv
"이선동"
$
该名称由 传递sort
但随后丢失uniq
:
$ sort all-authors.csv | grep 이선동
"이선동"
$ sort all-authors.csv | uniq | grep 이선동
$
它适用于其他非英文名称,例如:
$ grep '잔쎈 우베' *csv
all-authors.csv:"잔쎈 우베"
unique-authors.csv:"잔쎈 우베"
$
这里发生了什么?
编辑:添加了语言环境的输出
$ locale
LANG=en_US.UTF-8
LC_CTYPE="en_US.UTF-8"
LC_NUMERIC="en_US.UTF-8"
LC_TIME="en_US.UTF-8"
LC_COLLATE="en_US.UTF-8"
LC_MONETARY="en_US.UTF-8"
LC_MESSAGES="en_US.UTF-8"
LC_PAPER="en_US.UTF-8"
LC_NAME="en_US.UTF-8"
LC_ADDRESS="en_US.UTF-8"
LC_TELEPHONE="en_US.UTF-8"
LC_MEASUREMENT="en_US.UTF-8"
LC_IDENTIFICATION="en_US.UTF-8"
LC_ALL=en_US.UTF-8
$
编辑:添加了单行文件和 sort -u 尝试的输出
回答 pLumo 关于仅包含受影响字符串的文件的评论:
$ grep 이선동 all-authors.csv > single-author.csv
$ sort single-author.csv | uniq
"이선동"
$
回答拉什的评论sort -u
:
$ sort -u all-authors.csv | grep 이선동
我没有为 uniq 设置任何别名,我使用 进行了验证alias | grep uniq
,它什么也不返回。
答案1
这对我来说很有效:
没有LC_COLLATE=C
sort test | uniq
이선동
和LC_COLLATE=C
LC_COLLATE=C sort test | LC_COLLATE=C uniq
동선이
동이선
선동이
선이동
이동선
이선동