在一个文件中找到不在另一个文件中的行的快速方法?

时间:2013-08-13 09:05:24

标签: bash grep find diff

我有两个大文件(文件名集)。每个文件大约有30,000行。我试图找到一种快速查找file1中不存在于file2中的行的方法。

例如,如果这是file1:

line1
line2
line3

这是file2:

line1
line4
line5

然后我的结果/输出应为:

line2
line3

这有效:

grep -v -f file2 file1

但是在我的大文件上使用它时非常非常慢。

我怀疑使用diff()有一个很好的方法可以做到这一点,但是输出应该只是这些行,没有别的,我似乎找不到那个开关。

任何人都可以使用bash和基本的linux二进制文件帮助我找到一种快速的方法吗?

编辑:要跟进我自己的问题,这是我到目前为止使用diff()找到的最佳方式:

diff file2 file1 | grep '^>' | sed 's/^>\ //'

当然,必须有更好的方法吗?

12 个答案:

答案 0 :(得分:182)

comm命令(" common"的缩写)可能有用comm - compare two sorted files line by line

#find lines only in file1
comm -23 file1 file2 

#find lines only in file2
comm -13 file1 file2 

#find lines common to both files
comm -12 file1 file2 

man文件实际上对此非常易读。

答案 1 :(得分:173)

您可以通过控制GNU diff输出中旧/新/未更改行的格式来实现此目的:

diff --new-line-format="" --unchanged-line-format=""  file1 file2

输入文件应按排序,以使其正常工作。使用bash(和zsh),您可以使用流程替换<( )进行就地排序:

diff --new-line-format="" --unchanged-line-format="" <(sort file1) <(sort file2)

在上面的 new 未更改的行被抑制,因此只输出 (即在你的情况下删除的行)。您还可以使用其他解决方案未提供的一些diff选项,例如-i忽略大小写,或各种空白选项(-E-b,{{ 1}}等)用于不太严格的匹配。


<强>解释

选项-v--new-line-format--old-line-format可让您控制--unchanged-line-format格式化差异的方式,类似于diff格式说明符。这些选项分别格式化 new (已添加),(已删除)和未更改行。将一个设置为空“”会阻止输出那种行。

如果您熟悉统一差异格式,可以使用以下部分重新创建它:

printf

diff --old-line-format="-%L" --unchanged-line-format=" %L" \ --new-line-format="+%L" file1 file2 说明符是有问题的行,我们在前面添加“+”“ - ”或“”,如%L (请注意,它仅输出差异,但缺少每个分组更改顶部的diff -u ---+++行。 您还可以使用此功能执行其他有用的操作,例如number each line@@


%dn方法(以及其他建议diffcomm)仅使用排序输入生成预期输出,但您可以使用{{1排序到位。这是一个简单的join(nawk)脚本(受Konsolebox答案中链接的脚本的启发),它接受任意排序的输入文件,按照它们在file1中出现的顺序输出缺失的行

<(sort ...)

这将在行号索引数组awk中逐行存储file1的全部内容,并在行内容索引关联数组# output lines in file1 that are not in file2 BEGIN { FS="" } # preserve whitespace (NR==FNR) { ll1[FNR]=$0; nl1=FNR; } # file1, index by lineno (NR!=FNR) { ss2[$0]++; } # file2, index by string END { for (ll=1; ll<=nl1; ll++) if (!(ll1[ll] in ss2)) print ll1[ll] } 中逐行存储file2的全部内容。读取两个文件后,迭代ll1[]并使用ss2[]运算符确定file1中的行是否存在于file2中。 (如果存在重复,这将与ll1方法具有不同的输出。)

如果文件足够大以至于存储它们都会导致内存问题,则可以通过仅存储file1并在读取file2时删除匹配来为内存交换CPU。

in

上面将file1的全部内容存储在两个数组中,一个由行号diff索引,一个由行内容BEGIN { FS="" } (NR==FNR) { # file1, index by lineno and string ll1[FNR]=$0; ss1[$0]=FNR; nl1=FNR; } (NR!=FNR) { # file2 if ($0 in ss1) { delete ll1[ss1[$0]]; delete ss1[$0]; } } END { for (ll=1; ll<=nl1; ll++) if (ll in ll1) print ll1[ll] } 索引。然后,当读取file2时,将从ll1[]ss1[]中删除每个匹配的行。最后输出file1的剩余行,保留原始顺序。

在这种情况下,如上所述,您还可以使用GNU ll1[]来划分和征服(过滤是GNU扩展),重复运行file1块并读取file2完全每次:

ss1[]

请注意splitsplit -l 20000 --filter='gawk -f linesnotin.awk - file2' < file1 命令行中-的使用和位置。这是由{1}}从文件1提供的,每次调用20000行。

对于非GNU系统上的用户,几乎可以肯定会有一个GNU coreutils包,包括OSX作为提供GNU stdin的{​​{3}}工具的一部分,gawk ,虽然只有POSIX / BSD split而不是GNU版本。

答案 2 :(得分:19)

像konsolebox建议的那样,海报grep解决方案

grep -v -f file2 file1
如果只是添加-F选项,

实际上效果很好(快),将模式视为固定字符串而不是正则表达式。我在一对必须比较的~1000行文件列表中验证了这一点。使用-F需要0.031秒(实际),而没有需要2.278秒(实际),将grep输出重定向到wc -l

这些测试还包括-x开关,它是解决方案的必要部分,以确保在file2包含与file1中的一行或多行匹配但不是全部的行的情况下完全准确

因此,一个不需要对输入进行排序的解决方案,快速,灵活(区分大小写等),并且(我认为)适用于任何POSIX系统:

grep -F -x -v -f file2 file1

答案 3 :(得分:10)

什么是排序和差异的速度?

sort file1 -u > file1.sorted
sort file2 -u > file2.sorted
diff file1.sorted file2.sorted

答案 4 :(得分:5)

$ join -v 1 -t '' file1 file2
line2
line3

-t确保它比较整行,如果你在某些行中有空格。

答案 5 :(得分:5)

如果您缺少“精美工具”,例如在一些最小的Linux发行版中,有一个仅包含catsortuniq的解决方案:

cat includes.txt excludes.txt excludes.txt | sort | uniq --unique

测试:

seq 1 1 7 | sort --random-sort > includes.txt
seq 3 1 9 | sort --random-sort > excludes.txt
cat includes.txt excludes.txt excludes.txt | sort | uniq --unique

# Output:
1
2    

grep相比,这也相对快。

答案 6 :(得分:2)

使用fgrep或向grep添加-F选项可能有所帮助。但是为了更快的计算,你可以使用Awk。

您可以尝试以下其中一种Awk方法:

http://www.linuxquestions.org/questions/programming-9/grep-for-huge-files-826030/#post4066219

答案 7 :(得分:2)

您可以使用Python:

python -c '
lines_to_remove = set()
with open("file2", "r") as f:
    for line in f.readlines():
        lines_to_remove.add(line.strip())

with open("f1", "r") as f:
    for line in f.readlines():
        if line.strip() not in lines_to_remove:
            print(line.strip())
'

答案 8 :(得分:1)

我通常这样做的方法是使用--suppress-common-lines标记,但请注意,这仅适用于并排格式的情况。

diff -y --suppress-common-lines file1.txt file2.txt

答案 9 :(得分:1)

使用combine包中的moreutils,这是一个集实用程序,支持notandorxor操作

combine file1 not file2

即给我在file1中但不在file2中的行

或者给我file1中的行减去file2中的行

注意combine在执行任何操作之前在两个文件中排序并查找唯一的行,但是diff则不行。因此,您可能会发现diffcombine的输出之间存在差异。

实际上你是在说

在file1和file2中找到不同的行,然后给我file1中的行减去file2中的行

根据我的经验,它比其他选项快得多

答案 10 :(得分:1)

这对我来说似乎很快:

matchUrl = matchUrl.Replace("\u0026", "&")

答案 11 :(得分:-1)

我发现对我来说,使用正常的if和for循环语句可以很好地工作。

for i in $(cat file2);do if [ $(grep -i $i file1) ];then echo "$i found" >>Matching_lines.txt;else echo "$i missing" >>missing_lines.txt ;fi;done