Question

我需要搜索一个包含许多子目录的目录，每个目录都包含文件。文件读取如下：question1234_01，其中1234是随机数字，后缀_01是包含前缀的消息数，这意味着它们是相同的连续线程的一部分。

find . -name 'quest*' | cut -d_ -f1  | awk '{print $1}' | uniq -c | sort -n

示例输出：

1 quest1234    
10 quest1523

这将搜索所有文件，然后按顺序对其进行排序。

我想要做的是打印所有最常出现的文件，在我的例子中是10个匹配的文件。

因此它只应输出quest1523_01到quest1523_11。

Answer 1

如果我明白你的意思，并且想要获得按频率排序的项目列表，你可以通过以下方式管理：

| sort | uniq -c | sort -k1nr

例如：

输入：

file1
file2
file1
file1
file3
file2
file2
file1
file4

输出：

4 file1
3 file2
1 file3
1 file4

更新

顺便问一下，你用awk做什么？

find . -name 'quest*' | cut -d_ -f1  | sort | uniq -c | sort -k1nr | head -n10

返回更频繁发现的10个项目。

更新

这是一个大大改进的版本。唯一的缺点是，不按出现次数排序。但是，我将弄清楚如何解决它：）

find . -name 'question*' | sort \
    | sed "s#\(.*/question\([0-9]\+\)_[0-9]\+\)#\2 \1#" \
    | awk '{ cnt[$1]++; files[$1][NR] = $2 } END{for(i in files){ print i" ("cnt[i]")"; for (j in files[i]) { print "    "files[i][j] } }}'

更新

在对大约1.4M的记录进行测试之后（花了23''），我认为awk效率太低，无法处理所有分组内容等等，所以我在Python中写道：

#!/usr/bin/env python

import sys, re

file_re = re.compile(r"(?P<name>.*/question(?P<id>[0-9]+)_[0-9]+)")

counts = {}
files = {}

if __name__ == '__main__':
    for infile in sys.stdin:
    infile = infile.strip()
    m = file_re.match(infile)
    _name = m.group('name')
    _id = m.group('id')
    if not _id in counts:
        counts[_id] = 0
    counts[_id]+=1
    if not _id in files:
        files[_id] = []
    files[_id].append(_name)

    ## Calculate groups
    grouped = {}
    for k in counts:
    if not counts[k] in grouped:
        grouped[counts[k]] = []
    grouped[counts[k]].append(k)

    ## Print results
    for k, v in sorted(grouped.items()):
    for fg in v:
        print "%s (%s)" % (fg, counts[fg])
        for f in sorted(files[fg]):
            print "    %s" % f

这个完成拆分，分组和排序的所有工作。并且只需要大约3英寸就可以在相同的输入文件上运行（添加了所有排序的东西）。

如果您需要更高的速度，可以尝试使用Cython进行编译，通常至少快30％。

更新 - Cython

好的，我刚试过Cython。

只需将上述文件另存为calculate2.pyx即可。在同一文件夹中，创建setup.py：

from distutils.core import setup
from distutils.extension import Extension
from Cython.Distutils import build_ext

setup(
    cmdclass = {'build_ext': build_ext},
    ext_modules = [Extension("calculate2", ["calculate2.pyx"])]
)

一个启动器脚本（我将其命名为calculate2_run.py）

import calculate2
import sys
if __name__ == '__main__':
    calculate2.runstuff(sys.stdin)

然后，确保安装了cython，然后运行：

python setup.py build_ext --inplace

这应该产生一个calculate2.so文件。

现在，像往常一样使用calculate2_run.py（只需管道查找结果）。

我在相同的输入文件上运行它，没有任何进一步的优化：这次，它花了1.99''。

Answer 2

您可以这样做：

将初始搜索结果保存在临时文件中。
过滤掉具有最高文件数的前缀
在该临时文件中搜索前缀，然后删除临时文件

find -name 'quest*' | sort -o tempf
target=$(awk -F_ '{print $1}' tempf\
         | uniq -c | sort -n | tail -1\
         | sed 's/[0-9]\+ //')
grep "$target" tempf
rm -f tempf

注意：

我假设具有相同前缀的文件位于相同的子目录中。
输出包含相对于当前目录的路径。如果您只想要基本名称，只需在sed 's/.*\///'

grep

Answer 3

您的解决方案不是选择文件的基本名称，但我认为您正在寻找：

awk 'NF{ b=$(NF-1); v[b]=v[b] (v[b]?",":"") $NF;  a = ++c[b]} 
    a > max {max = a; n=b }  
    END {split(v[b],d, ","); for(i in d) print b "_" d[i]}' FS='[/_]'

无需对数据进行排序；完全分类非常昂贵。

如何在搜索后打印具有相同前缀的所有文件？

3 个答案:

更新

更新

更新

更新 - Cython