Linux文件内容去重及文件求交并差集

一、数据去重

日常工作中，使用Hive或者Impala查询导出来可能会存在数据重复的现象，但又不想重新执行一遍查询（查询时间稍长，导出文件内容多），因此想到了使用Linux命令将文件的内容重复数据进行去除。

案例如下：

可以看到aaa.txx有3条重复数据

 

 想去掉多余的数据，只保留一条

sort  aaa.txt | uniq  > bbb.txt

将aaa.txt文件中重复数据去掉，输出到bbb.txt

 

 可以看到bbb.txt文件中只保留了一条数据

 

二、数据交、并、差

1)、交集(相当于user_2019  inner join user_2020 on user_2019.user_no=user_2020.user_no)

sort user_2019.txt user_2020.txt | uniq -d

2)、并集(相当于 user_2019.user_no union user_2020.user_no)

sort user_2019.txt user_2020.txt | uniq 

3)、差集

user_2019.txt-user_2020.txt  

sort user_2019.txt user_2020.txt user_2020.txt | uniq -u

user_2020.txt - user_2019.txt:

sort user_2020.txt user_2019.txt user_2019.txt | uniq -u

 

三、查看文件内有多少行数据

wc -l user_2019.txt