Linux shell 计算两个文件的并集、交集、差集

 假设我们现在有两个文件 a.txt 、b.txt

a.txt 中的内容如下：

1 2 3 4 5 6

a c 1 3 d 4

b.txt 中的内容如下：

1 2 3 4 5 6

a b e 2 1 5

 

# Example 01

计算并集：

1 2 3 4 5 6 7 8 9 10 11 12

[root@VM_81_181_centos ~]# sort -u a.txt b.txt 1 2 3 4 5 a b c d e [root@VM_81_181_centos ~]#

# Exmaple 02

计算交集：

1 2 3 4

[root@VM_81_181_centos ~]# grep -F -f a.txt b.txt | sort | uniq 1 a [root@VM_81_181_centos ~]#

 

# Example 03

计算差集(a - b)：

1 2 3 4 5 6

[root@VM_81_181_centos ~]# grep -F -v -f b.txt a.txt | sort | uniq 3 4 c d [root@VM_81_181_centos ~]#

 

# Example 04 

计算差集(b - a):

1 2 3 4 5 6

[root@VM_81_181_centos ~]# grep -F -v -f a.txt b.txt | sort | uniq 2 5 b e [root@VM_81_181_centos ~]#

 

 

-----------------------------------------------------------手动分割线---------------------------------------------------------------------------

2018/09/30 更新

上面介绍了关于如何使用 grep 命令实现文件的交、差集，但是在实际操作中得到的结果却有点问题存在

1 2 3 4 5

[root@VM_81_181_centos ~]# grep -F -f a.txt b.txt | sort | uniq | wc -l 4095 [root@VM_81_181_centos ~]# grep -F -f b.txt a.txt | sort | uniq | wc -l 4729 [root@VM_81_181_centos ~]#

上面的命令我是用于求 a 、b 两个文件的交集，但是当把两个文件的位置顺序改变了一下，结果竟然是不

一样，这是不科学的。

后来仔细想了想，grep 命令是搜索查找的命令，举个例子：

c.txt 文件里面的内容如下：

1 2 3 4

1122 1133 1144 1155

d.txt 文件里面的内容如下:

1

11223344

执行 grep 命令:

1 2 3 4

[root@VM_81_181_centos ~]# grep -F -f c.txt d.txt | sort | uniq 11223344 [root@VM_81_181_centos ~]# grep -F -f d.txt c.txt | sort | uniq [root@VM_81_181_centos ~]#

根据结果，对第一条命令的解读是：

命令执行后，在 d.txt 文件里面搜索和 c.txt 文件相匹配的字符，因为 c.txt 文件里面的字符 1122 和 d.txt 文件里面的

字符 11223344 前面的 1122 相匹配，则就把 11223344 字符作为两个文件相同的部分记录下来

第二条命令：

命令执行后，在 c.txt 文件里面搜索和 d.txt 文件相匹配的字符，d.txt 文件里面的 11223344 在 c.txt 文件里面找不到

与其类似或相同的字符，所以，结果为空。

现在，在 c.txt 文件里面新增字符 112233445566，结果及操作如下：

c.txt 文件内容：

1 2 3 4 5

1122 1133 1144 1155 1122334455

执行  grep 命令：

1 2 3

[root@VM_81_181_centos ~]# grep -F -f d.txt c.txt | sort | uniq 1122334455 [root@VM_81_181_centos ~]#

结论：

1	grep -F -f fileA fileB | sort | uniq

 

当 fileA 文件 在前，则表示在 fileB  文件里面搜索和 fileA 文件里面相同或者类似的字符，并将 fileB 文件里面那个字符记录下来

同理，fileB 在前，fileA 在后的情况。

 

但是，在这里这并不是我们想要的结果，我们想要的结果就是我们以前学数学时候，求两个集合的交集一样，结果输

出的是两个集合共有的部分，尝试了几个方法，最后还是选择使用 cat 命令。

命令格式如下:

1 2	cat fileA fileB | sort | uniq -d  # 求交集 cat fileA fileB | sort | uniq -u  # 求差集

这个命令比较好理解，cat 命令先把两个文件合并成一个文件，然后在对合并后的文件进行排序、去重，-d 命令输出文

件中相同的字符，-u 命令输出文件中不同的字符，并且 在计算交集的时候 fileA、fileB 文件顺序哪个在前在后的结果都是一样的。

案例如下：

1 2 3 4 5 6 7 8 9 10

[root@VM_81_181_centos ~]# cat c.txt 1122 1133 1144 1155 1122334455 [root@VM_81_181_centos ~]# cat d.txt 11223344 1122 [root@VM_81_181_centos ~]#

c、d 文件内容如上

执行 cat 命令求交集：

1 2 3 4 5

[root@VM_81_181_centos ~]# cat c.txt d.txt | sort | uniq -d 1122 [root@VM_81_181_centos ~]# cat d.txt c.txt | sort | uniq -d 1122 [root@VM_81_181_centos ~]#

执行 cat 命令求差集：

1 2 3 4 5 6 7 8 9 10 11 12 13

[root@VM_81_181_centos ~]# cat c.txt d.txt | sort | uniq -u 11223344 1122334455 1133 1144 1155 [root@VM_81_181_centos ~]# cat d.txt c.txt | sort | uniq -u 11223344 1122334455 1133 1144 1155 [root@VM_81_181_centos ~]#

 

但是 cat 命令也有一个短板，当文件比较大的时候，就会出错，但是在这里我们可以去借助