Question

我有一个大的（按行数）纯文本文件，我想分成较小的文件，也按行数分割。因此，如果我的文件大约有2M行，我想把它分成10个包含200k行的文件，或者包含20k行的100个文件（加上一个包含剩余部分的文件;可以被整除的无关紧要）。 / p>

我可以在Python中相当容易地做到这一点，但我想知道是否有任何一种使用bash和unix utils的忍者方法（而不是手动循环和计数/分区行）。

Answer 1

你看过split命令吗？

$ split --help
Usage: split [OPTION] [INPUT [PREFIX]]
Output fixed-size pieces of INPUT to PREFIXaa, PREFIXab, ...; default
size is 1000 lines, and default PREFIX is `x'.  With no INPUT, or when INPUT
is -, read standard input.

Mandatory arguments to long options are mandatory for short options too.
  -a, --suffix-length=N   use suffixes of length N (default 2)
  -b, --bytes=SIZE        put SIZE bytes per output file
  -C, --line-bytes=SIZE   put at most SIZE bytes of lines per output file
  -d, --numeric-suffixes  use numeric suffixes instead of alphabetic
  -l, --lines=NUMBER      put NUMBER lines per output file
      --verbose           print a diagnostic to standard error just
                            before each output file is opened
      --help     display this help and exit
      --version  output version information and exit

你可以这样做：

split -l 200000 filename

将创建每个包含名为xaa xab xac ...

的200000行的文件

另一个选项，按输出文件的大小分割（仍然在换行符上拆分）：

 split -C 20m --numeric-suffixes input_filename output_prefix

创建类似output_prefix01 output_prefix02 output_prefix03 ...的文件，每个文件最大大小为20兆字节。

Answer 2

split命令怎么样？

split -l 200000 mybigfile.txt

Answer 3

是的，有一个split命令。它将按行或字节分割文件。

$ split --help
Usage: split [OPTION]... [INPUT [PREFIX]]
Output fixed-size pieces of INPUT to PREFIXaa, PREFIXab, ...; default
size is 1000 lines, and default PREFIX is `x'.  With no INPUT, or when INPUT
is -, read standard input.

Mandatory arguments to long options are mandatory for short options too.
  -a, --suffix-length=N   use suffixes of length N (default 2)
  -b, --bytes=SIZE        put SIZE bytes per output file
  -C, --line-bytes=SIZE   put at most SIZE bytes of lines per output file
  -d, --numeric-suffixes  use numeric suffixes instead of alphabetic
  -l, --lines=NUMBER      put NUMBER lines per output file
      --verbose           print a diagnostic just before each
                            output file is opened
      --help     display this help and exit
      --version  output version information and exit

SIZE may have a multiplier suffix:
b 512, kB 1000, K 1024, MB 1000*1000, M 1024*1024,
GB 1000*1000*1000, G 1024*1024*1024, and so on for T, P, E, Z, Y.

Answer 4

使用split

将文件拆分为固定大小的片段，创建包含INPUT连续部分的输出文件（如果没有给出标准输入或INPUT为' - '）

Syntax split [options] [INPUT [PREFIX]]

http://ss64.com/bash/split.html

Answer 5

使用：

sed -n '1,100p' filename > output.txt

此处，1和100是您将在output.txt中捕获的行号。

Answer 6

拆分文件＆＃34; file.txt＆＃34;进入10000行文件：

split -l 10000 file.txt

Answer 7

你也可以使用awk

awk -vc=1 'NR%200000==0{++c}{print $0 > c".txt"}' largefile

Answer 8

如果您只想按每个文件的x行分割，则split的给定答案都可以。但是，我很好奇没有人关注要求：

“无需计算” - ＆gt;使用wc + cut
“将余数留在额外档案中” - ＆gt;默认情况下拆分

如果没有“wc + cut”，我不能这样做，但我正在使用它：

split -l  $(expr `wc $filename | cut -d ' ' -f3` / $chunks) $filename

这可以很容易地添加到你的bashrc函数中，这样你就可以调用它来传递文件名和块：

 split -l  $(expr `wc $1 | cut -d ' ' -f3` / $2) $1

如果您只需要在额外文件中没有余数的x块，只需调整公式以对每个文件求和（块 - 1）。我确实使用这种方法，因为通常我只需要x个文件而不是每个文件x行：

split -l  $(expr `wc $1 | cut -d ' ' -f3` / $2 + `expr $2 - 1`) $1

您可以将其添加到脚本中并将其称为“忍者方式”，因为如果没有任何内容可以满足您的需求，您可以构建它： - ）

Answer 9

split（来自GNU coreutils，因为version 8.8 from 2010-12-22）包含以下参数：

-n, --number=CHUNKS     generate CHUNKS output files; see explanation below

CHUNKS may be:
  N       split into N files based on size of input
  K/N     output Kth of N to stdout
  l/N     split into N files without splitting lines/records
  l/K/N   output Kth of N to stdout without splitting lines/records
  r/N     like 'l' but use round robin distribution
  r/K/N   likewise but only output Kth of N to stdout

因此，split -n 4 input output.将生成具有相同字节数的四个文件（output.a{a,b,c,d}），但是中间可能会断行。

如果我们想保留整行（即按行分割），那么这应该有效：

split -n l/4 input output.

相关答案：https://stackoverflow.com/a/19031247

Answer 10

HDFS getmerge小文件并溢出到属性大小。

此方法将导致换行

split -b 125m compact.file -d -a 3 compact_prefix

我尝试将每个文件合并到大约128MB。

# split into 128m ,judge sizeunit is M or G ,please test before use.

begainsize=`hdfs dfs -du -s -h /externaldata/$table_name/$date/ | awk '{ print $1}' `
sizeunit=`hdfs dfs -du -s -h /externaldata/$table_name/$date/ | awk '{ print $2}' `
if [ $sizeunit = "G" ];then
    res=$(printf "%.f" `echo "scale=5;$begainsize*8 "|bc`)
else
    res=$(printf "%.f" `echo "scale=5;$begainsize/128 "|bc`)  # celling ref http://blog.csdn.net/naiveloafer/article/details/8783518
fi
echo $res
# split into $res files with number suffix.  ref  http://blog.csdn.net/microzone/article/details/52839598
compact_file_name=$compact_file"_"
echo "compact_file_name :"$compact_file_name
split -n l/$res $basedir/$compact_file -d -a 3 $basedir/${compact_file_name}

如何将大文本文件拆分为具有相同行数的较小文件？

10 个答案: