我在 Linux 机器上有 6 个 .txt 文件,每个文件大约有 1700 行。我想查看这 6 个文件中的 6 个中常见的行,然后分别是 6 个文件中的 5 个、6 个文件中的 4 个、6 个文件中的 3 个以及 6 个文件中的最后一个。我尝试使用以下代码:
comm -12 2.txt 3.txt | comm -12 - 4.txt | comm -12 - 5.txt | comm -12 - 6.txt | comm -12 - 7.txt
但我注意到结果不完整且不兼容。然后我做了一些研究并尝试了以下代码:
awk 'NR==FNR { lines[$0]=1; next } $0 in lines' 2.txt 3.txt 4.txt 5.txt 6.txt 7.txt
但这也不起作用。
我是 Ubuntu 新手,所以我只知道非常基本的东西。如果你能帮助我,我将不胜感激。提前致谢。
编辑1:在@terdon的建议下,我还尝试了以下代码:
sort file1 file2 file3 file4 file5 file6 | uniq -c
它给了我这样的输出:
3 VAL455-Main VAL451-Main
1 VAL455-Main VAL451-Main
3 VAL463-Main ALA459-Main
1 VAL463-Main ALA459-Main
3 VAL468-Main LEU466-Main
1 VAL468-Main LEU466-Main
3 VAL468-Main LYS464-Main
我们来看看“VAL468-Main LEU466-Main”。正如您所看到的,输出中有两个不同的结果。它表示该行同时存在于 3 个文件中和仅存在于 1 个文件中。但是,该行出现在所有文件中。
所以我们还没有找到解决办法。
编辑2:感谢@FelixJN,我们找到了问题的根源。如果你也有类似的情况,可以看看他的回答。 :)
答案1
与awk
您一起可以执行以下操作:
#skip if multiple appearance in one file
{if ( seenin[$0] ~ FILENAME ) {next}}
#add filename to list of files the line has been seen in, increase seen counter
{seenin[$0]=seenin[$0]" "FILENAME ; nseen[$0]++}
#print
END {for (line in nseen) { if (nseen[line]>1) {
printf "%s \"%s\" %s %d %s %s\n",
"line",line,"seen in",nseen[line],"files:",seenin[line]} } }
限制:内存,因为所有行都保存在 RAM 中。
如果您想按出现次数排序,则必须相应地调整打印命令,例如按 的值排序nseen
。这gawk
很简单:在END
块中的 -loop 之前添加以下内容for
:
PROCINFO["sorted_in"]="@val_num_desc"
输入文件:
$ cat file1
a
a
b
b
c
d
e
$ cat file2
c
c
x
z
e
y
z
f
$ cat file3
f
i
a
c
z
i
k
输出(具有gawk
数组遍历功能PROCINFO
)
$awk -f compare_lines_multifiles.awk file1 file2 file3
line "c" seen in 3 files: file1 file2 file3
line "z" seen in 2 files: file2 file3
line "a" seen in 2 files: file1 file3
line "e" seen in 2 files: file1 file2
line "f" seen in 2 files: file2 file3
编辑:
您提供的文件具有 MSDOS 格式。要么通过转换它们
dos2unix file1.txt file2.txt ....
或调整 中的记录分隔符awk
。作为代码中的第一个条目添加以下内容:
BEGIN { RS="\r\n" }
编辑2:您的文件有不规则的分隔符。问题是,a<tab>b
和a<tab>b<tab>
被视为不同的行,而您可能认为它们是相同的。
对于每个文件有两个感兴趣字段的特殊情况,您宁愿比较这两个字段的内容,而不是整行。还考虑 MSDOS 格式:
BEGIN { RS="\r\n" }
#skip if multiple appearance in one file
{if ( seenin[$1"\t"$2] ~ FILENAME ) {next}}
#add filename to list of files the line has been seen in, increase seen counter
{seenin[$1"\t"$2]=seenin[$1"\t"$2]" "FILENAME ; nseen[$1"\t"$2]++}
#print
END {for (line in nseen) { if (nseen[line]>1) {
printf "%s \"%s\" %s %d %s %s\n",
"line",line,"seen in",nseen[line],"files:",seenin[line]} } }
最终所有六个文件都有更多的重叠。它专注于带有制表符分隔符的两个字段,并打印一行的输出。
答案2
我建议采用不同的方法。只需将它们全部遍历sort
并uniq -c
计算每行被看到的次数:
sort 2.txt 3.txt 4.txt 5.txt 6.txt 7.txt | uniq -c
这将打印每行一次,但也会打印该行被看到的次数。例如,如果我有这三个文件:
$ cat file1
dog
cat
bird
$ cat file2
fly
bird
moose
$ cat file3
bird
dog
flea
我会得到这个输出:
$ sort file1 file2 file3 | uniq -c
3 bird
1 cat
2 dog
1 flea
1 fly
1 moose
因此,如果您想按照发现的次数来分隔行,您可以执行以下操作来仅查看所有 3 个(或 6 个,在您的情况下)文件中出现的行:
$ sort file1 file2 file3 | uniq -c | awk '$1==3'
3 bird
$ sort file1 file2 file3 | uniq -c | awk '$1==2'
2 dog
$ sort file1 file2 file3 | uniq -c | awk '$1==1'
1 cat
1 flea
1 fly
1 moose
答案3
您的第一次尝试是正确的方法:
comm -12 2.txt 3.txt | comm -12 - 4.txt | comm -12 - 5.txt | comm -12 - 6.txt | comm -12 - 7.txt
这就像流一样并行地完成工作。原则上,您可以通过这种方式处理具有数百万行的文件。
你遇到的问题通讯(1) 似乎是由输入问题引起的,即空格和行结尾。如果您先清理这些内容,您可能会发现原来的方法既快速又方便。
这里有一个例子来证明这一点。查找可被素数组整除的数字:
$ for D in 2 3 5 7 11 13
> do seq 1 1000 |
> awk -v D=$D '$0 % D == 0 { print $0 }' |
> sort > $D
> done
$ comm -12 2 3 | comm -12 - 5 | comm -12 - 7
210
420
630
840
事实证明,1 到 1000 之间没有数字可以被 2、3、5、7 和 11 整除。
答案4
# spits a random three char (a..e)
# string each time it's called
rx() {
< /dev/urandom \
tr -cd 'a-e' |
fold -w3 |
head -n 1 \
;
}
# modify this section
numFiles=6
numLines=70
commIn=5
# generate random files
for j in $(seq "$numFiles"); do
for i in $(seq "$numLines"); do
rx
done > $j.txt
done
# uniquify each file
# then sort the combined pool
# count n tabulate uniques from this pool
for i in $(seq "$numFiles"); do
sort -u < "$i.txt"
done |
sort | uniq -c |
sort -b -k1,1nr -k2,2 |
awk -v n="$commIn" '$1+0==n' ;
本次运行结果:
5 acc
5 bcd
5 dac
5 eea