在Unix中拆分文件而不分隔以相似值开头的行
我有一个排序的.csv文件,类似于:在Unix中拆分文件而不分隔以相似值开头的行,unix,awk,split,gawk,Unix,Awk,Split,Gawk,我有一个排序的.csv文件,类似于: AABB1122,ABC,BLAH,4 AABB1122,ACD,WHATEVER,1 AABB1122,AGT,CAT,4 CCDD4444,AYT,DOG,4 CCDD4444,ACG,MUMMY,8 CCEE4444,AOP,RUN,5 DDFF9900,TUI,SAT,33 DDFF9900,WWW,INDOOR,5 我希望将文件拆分为较小的文件,每个文件大约有两行,但我不希望将第一列中具有相同值的行分隔开 在这里,我将得到三个文件: $ awk
AABB1122,ABC,BLAH,4
AABB1122,ACD,WHATEVER,1
AABB1122,AGT,CAT,4
CCDD4444,AYT,DOG,4
CCDD4444,ACG,MUMMY,8
CCEE4444,AOP,RUN,5
DDFF9900,TUI,SAT,33
DDFF9900,WWW,INDOOR,5
我希望将文件拆分为较小的文件,每个文件大约有两行,但我不希望将第一列中具有相同值的行分隔开
在这里,我将得到三个文件:
$ awk -f script.awk file.csv
$ cat 000001-AABB1122.txt
AABB1122,ABC,BLAH,4
AABB1122,ACD,WHATEVER,1
AABB1122,AGT,CAT,4
$ cat 000004-CCDD4444.txt
CCDD4444,AYT,DOG,4
CCDD4444,ACG,MUMMY,8
$ cat 000006-CCEE4444.txt
CCEE4444,AOP,RUN,5
DDFF9900,TUI,SAT,33
DDFF9900,WWW,INDOOR,5
x00000:
AABB1122,ABC,BLAH,4
AABB1122,ACD,WHATEVER,1
AABB1122,AGT,CAT,4
x00001:
CCDD4444,AYT,DOG,4
CCDD4444,ACG,MUMMY,8
x00002:
CCEE4444,AOP,RUN,5
DDFF9900,TUI,SAT,33
DDFF9900,WWW,INDOOR,5
我的实际数据大小约为7千兆,包含超过1亿行。我想把它分成大约100K行或~6MB的文件。我可以使用文件大小或行号进行拆分
我知道我可以使用“排序”进行拆分,例如:
split -a 5 -d -1 2
在这里,这将给我四个文件,和第一列中的值一样,在大多数情况下,这些值将被拆分为多个文件
我想我可能需要awk,但是,即使在阅读了手册之后,我也不知道如何继续
谢谢你的帮助!谢谢 一个
awk
脚本:
BEGIN { FS = "," }
!name { name = sprintf("%06d-%s.txt", NR, $1) }
count >= 2 && prev != $1 {
close(name)
name = sprintf("%06d-%s.txt", NR, $1)
count = 0
}
{
print >name
prev = $1
++count
}
在给定数据上运行此操作将创建三个文件:
$ awk -f script.awk file.csv
$ cat 000001-AABB1122.txt
AABB1122,ABC,BLAH,4
AABB1122,ACD,WHATEVER,1
AABB1122,AGT,CAT,4
$ cat 000004-CCDD4444.txt
CCDD4444,AYT,DOG,4
CCDD4444,ACG,MUMMY,8
$ cat 000006-CCEE4444.txt
CCEE4444,AOP,RUN,5
DDFF9900,TUI,SAT,33
DDFF9900,WWW,INDOOR,5
我任意选择使用原始文件中第一行的行号,以及该行上第一个字段的数据作为文件名
脚本统计打印到当前输出文件的行数,如果该数字大于或等于2,并且如果第一个字段的值不同于前一行的第一个字段,则关闭当前输出文件,构造新的输出名称,并重置计数
最后一个块只是打印到当前文件名,记住prev
变量中的第一个字段,并增加计数
BEGIN
块初始化字段分隔符(在读取第一行之前)和!name
block设置初始输出文件名(读取第一行时)
要准确获取问题中的文件名,请使用
name = sprintf("x%05d", ++n)
要在执行此操作的两个位置设置输出文件名。一个
awk
脚本:
BEGIN { FS = "," }
!name { name = sprintf("%06d-%s.txt", NR, $1) }
count >= 2 && prev != $1 {
close(name)
name = sprintf("%06d-%s.txt", NR, $1)
count = 0
}
{
print >name
prev = $1
++count
}
在给定数据上运行此操作将创建三个文件:
$ awk -f script.awk file.csv
$ cat 000001-AABB1122.txt
AABB1122,ABC,BLAH,4
AABB1122,ACD,WHATEVER,1
AABB1122,AGT,CAT,4
$ cat 000004-CCDD4444.txt
CCDD4444,AYT,DOG,4
CCDD4444,ACG,MUMMY,8
$ cat 000006-CCEE4444.txt
CCEE4444,AOP,RUN,5
DDFF9900,TUI,SAT,33
DDFF9900,WWW,INDOOR,5
我任意选择使用原始文件中第一行的行号,以及该行上第一个字段的数据作为文件名
脚本统计打印到当前输出文件的行数,如果该数字大于或等于2,并且如果第一个字段的值不同于前一行的第一个字段,则关闭当前输出文件,构造新的输出名称,并重置计数
最后一个块只是打印到当前文件名,记住prev
变量中的第一个字段,并增加计数
BEGIN
块初始化字段分隔符(在读取第一行之前)和!name
block设置初始输出文件名(读取第一行时)
要准确获取问题中的文件名,请使用
name = sprintf("x%05d", ++n)
在完成此操作的两个位置设置输出文件名。如果可用,请使用csplit 用给定的数据
csplit -s infile %^A% /^C/ %^C% /^D/ /^Z/ {*}
如果可用,请使用csplit 用给定的数据
csplit -s infile %^A% /^C/ %^C% /^D/ /^Z/ {*}
这是非常直接的代码,您的解释非常有用。非常感谢您抽出时间!这是非常直接的代码,您的解释非常有用。非常感谢您抽出时间!