Linux 求文件交集 差集等

使用comm命令

假设两个文件FILE1和FILE2用集合A和B表示，FILE1内容如下：

a
b
c
e
d
a　　

FILE2内容如下：

c
d
a
c

基本上有两个方法，一个是comm命令，一个是grep命令。分别介绍如下：

 

comm命令 ， Compare sorted files FILE1 and FILE2 line by line. With  no options, produce three-column output.  Column one contains lines unique to FILE1, column two contains lines unique to FILE2, and column three contains lines common to both files. 要注意两个文件必须是排序和唯一(sorted and unique)的，默认输出为三列，第一列为是A-B，第二列B-A，第三列为A交B。

直接运行结果如下：

$ comm a.txt b.txt
a
b
                c
        d
        a
        c
e
d
a

 

仅仅排序：

$ comm <(sort a.txt ) <(sort b.txt )
                a
a
b
                c
        c
                d
e　

排序并且唯一：

$ comm <(sort a.txt|uniq ) <(sort b.txt|uniq )
                a
b
                c
                d
e

如果只想要交集，如下即可：

$ comm -12 <(sort a.txt|uniq ) <(sort b.txt|uniq )
a
c
d

comm命令参数：
  -1   不显示只在第1个文件里出现过的列。
  -2   不显示只在第2个文件里出现过的列。
  -3   不显示只在第1和第2个文件里出现过的列。
  --help   在线帮助。
  --version   显示版本信息。

  comm命令比较两个已排序文件每行数据的差异，并将其结果显示出来，如果没有指定任何参数，comm命令读取这两个文件，然后生成三列输出：1>仅在file1中出现的行2>仅在file2中出现的行3>在两个文件中都存在的行。
  如果为文件名之一指定 -（减号），则 comm 命令会从标准输入设备读取数据。

grep命令：

grep 命令是常用的搜索文本内容的，要找交集，如下即可：

p$ grep -F -f a.txt b.txt
c
d
a
c

grep不要求排序，但是因为是集合操作，唯一是必须的（不然怎么是集合呢？）。所以：

$ grep -F -f a.txt b.txt | sort | uniq
a
c
d

差集：

$ grep -F -v -f a.txt b.txt | sort | uniq
$ grep -F -v -f b.txt a.txt | sort | uniq
b
e

第一行结果为B-A，所以为空；第二行为A-B。注意顺序很重要！　

cat+sort+uniq

1. 取出两个文件的并集(重复的行只保留一份)

    cat file1 file2 | sort | uniq

2. 取出两个文件的交集(只留下同时存在于两个文件中的文件)

    cat file1 file2 | sort | uniq -d

 3. 删除交集，留下其他的行

    cat file1 file2 | sort | uniq -u

 

    如果需要计数也有一个很好的参数uniq -c 可以将相同行数的计数放在行首

 sort排序

    是根据从输入行抽取的一个或多个关键字进行比较来完成的。排序关键字定义了用来排序的最小的字符序列。缺省情况下以整行为关键字按ASCII字符顺序进行排序。

    改变缺省设置的选项主要有：

    - m 若给定文件已排好序，合并文件。

    - c 检查给定文件是否已排好序，如果它们没有都排好序，则打印一个出错信息，并以状态值1退出。

    - u 对排序后认为相同的行只留其中一行。

    - o 输出文件 将排序输出写到输出文件中而不是标准输出，如果输出文件是输入文件之一，sort先将该文件的内容写入一个临时文件，然后再排序和写输出结果。

    改变缺省排序规则的选项主要有：

    - d 按字典顺序排序，比较时仅字母、数字、空格和制表符有意义。

    - f 将小写字母与大写字母同等对待。

    - I 忽略非打印字符。

    - M 作为月份比较：“JAN”<“FEB”

    - r 按逆序输出排序结果。

    -k, -key=POS1[,POS2] posl - pos2 指定一个或几个字段作为排序关键字，字段位置从posl开始，到pos2为止（包括posl，不包括pos2）。如不指定pos2，则关键字为从posl到行尾。字段和字符的位置从0开始。

    - b 在每行中寻找排序关键字时忽略前导的空白（空格和制表符）。

    - t separator 指定字符separator作为字段分隔符。

    uniq命令

    文件经过处理后在它的输出文件中可能会出现重复的行。例如，使用cat命令将两个文件合并后，再使用sort命令进行排序，就可能出现重复行。这时可以使用uniq命令将这些重复行从输出文件中删除，只留下每条记录的唯一样本。

    语法：

    uniq [选项] 文件

    说明：这个命令读取输入文件，并比较相邻的行。在正常情况下，第二个及以后更多个重复行将被删去，行比较是根据所用字符集的排序序列进行的。该命令加工后的结果写到输出文件中。输入文件和输出文件必须不同。如果输入文件用“- ”表示，则从标准输入读取。

    该命令各选项含义如下：

    - c 显示输出中，在每行行首加上本行在文件中出现的次数。它可取代- u和- d选项。

    - d 只显示重复行。

    - u 只显示文件中不重复的各行。

    - n 前n个字段与每个字段前的空白一起被忽略。一个字段是一个非空格、非制表符的字符串，彼此由制表符和空格隔开（字段从0开始编号）。

    +n 前n个字符被忽略，之前的字符被跳过（字符从0开始编号）。

    - f n 与- n相同，这里n是字段数。

    - s n 与＋n相同，这里n是字符数。