怎样使用 awk 删掉文件中重复的行
学习怎样使用 awk 的
!visited[$0]++在不重新排序或改变原排列顺序的前提下删掉重复的行。
假设你有一个文本文件，你需要删掉所有重复的行。
TL;DR
要保持原来的排列顺序删掉重复行，使用：
awk '!visited[$0]++' your_file > deduplicated_file
工作原理
这个脚本维护一个关联数组，索引（键）为文件中去重后的行，每个索引对应的值为该行出现的次数。对于文件的每一行，如果这行（之前）出现的次数为 0，则值加 1，并打印这行，否则值加 1，不打印这行。
我之前不熟悉 awk，我想弄清楚这么短小的一个脚本是怎么实现的。我调研了下，下面是调研心得：
- 这个 awk “脚本”
!visited[$0]++对输入文件的每一行都执行。 visited[]是一个关联数组（又名映射）类型的变量。awk会在第一次执行时初始化它，因此我们不需要初始化。$0变量的值是当前正在被处理的行的内容。visited[$0]通过与$0（正在被处理的行）相等的键来访问该映射中的值，即出现次数（我们在下面设置的）。!对表示出现次数的值取反：- 在
awk中，任意非零的数或任意非空的字符串的值是true。 - 变量默认的初始值为空字符串，如果被转换为数字，则为 0。
- 也就是说：
- 如果
visited[$0]的值是一个比 0 大的数，取反后被解析成false。 - 如果
visited[$0]的值为等于 0 的数字或空字符串，取反后被解析成true。
- 如果
++表示变量visited[$0]的值加 1。- 如果该值为空，
awk自动把它转换为0（数字） 后加 1。 - 注意：加 1 操作是在我们取到了变量的值之后执行的。
- 如果该值为空，
- 在
总的来说，整个表达式的意思是：
true：如果表示出现次数为 0 或空字符串false：如果出现的次数大于 0
awk 由 模式或表达式和一个与之关联的动作 组成：
<模式/表达式> { <动作> }
如果匹配到了模式，就会执行后面的动作。如果省略动作，awk 默认会打印（print）输入。
省略动作等价于
{print $0}。
我们的脚本由一个 awk 表达式语句组成，省略了动作。因此这样写：
awk '!visited[$0]++' your_file > deduplicated_file
等于这样写：
awk '!visited[$0]++ { print $0 }' your_file > deduplicated_file
对于文件的每一行，如果表达式匹配到了，这行内容被打印到输出。否则，不执行动作，不打印任何东西。
为什么不用 uniq 命令？
uniq 命令仅能对相邻的行去重。这是一个示例：
$ cat test.txt
A
A
A
B
B
B
A
A
C
C
C
B
B
A
$ uniq < test.txt
A
B
A
C
B
A
其他方法
使用 sort 命令
我们也可以用下面的 sort 命令来去除重复的行，但是原来的行顺序没有被保留。
sort -u your_file > sorted_deduplicated_file
使用 cat + sort + cut
上面的方法会产出一个去重的文件，各行是基于内容进行排序的。通过管道连接命令可以解决这个问题。
cat -n your_file | sort -uk2 | sort -nk1 | cut -f2-
工作原理
假设我们有下面一个文件：
abc
ghi
abc
def
xyz
def
ghi
klm
cat -n test.txt 在每行前面显示序号：
1 abc
2 ghi
3 abc
4 def
5 xyz
6 def
7 ghi
8 klm
sort -uk2 基于第二列（k2 选项）进行排序，对于第二列相同的值只保留一次（u 选项）：
1 abc
4 def
2 ghi
8 klm
5 xyz
sort -nk1 基于第一列排序（k1 选项），把列的值作为数字来处理（-n 选项）：
1 abc
2 ghi
4 def
5 xyz
8 klm
最后，cut -f2- 从第二列开始打印每一行，直到最后的内容（-f2- 选项：留意 - 后缀，它表示这行后面的内容都包含在内）。
abc
ghi
def
xyz
klm
参考
以上为全文。
via: https://opensource.com/article/19/10/remove-duplicate-lines-files-awk
作者：Lazarus Lazaridis 选题：lujun9972 译者：lxbwolf 校对：wxy