linux中去掉文件重复数据行的方法(去重复ip)

一、去掉相邻重复的数据行

 

复制代码

代码如下:

$cat data1.txt | uniq 
输出：
beijing 
wuhan 
beijing 
wuhan 

 

二、去掉所有重复的数据行

 

复制代码

代码如下:

$cat data1.txt | sort | uniq 

 

注：
只有uniq命令的话，只是把相邻的重复的数据行去掉。
如果先 sort 的话，就会把所有重复的数据行变成相邻的数据行，再 uniq 的话，就去掉所有重复的数据行了。

输出：
beijing  
wuhan

附：data1.txt

 

复制代码

代码如下:

[root@syy ~]# cat data1.txt 
beijing 
beijing 
wuhan 
wuhan 
wuhan 
beijing 
beijing 
beijing 
wuhan 
wuhan 

 

注：在过滤日志中的IP地址很有用。

Linux下删除大数据文件中部分字段重复的行

最近写的一个数据采集程序生成了一个含有1千多万行数据的文件，数据由4个字段组成，按照要求需要删除第二个字段重复的行，找来找去linux下也没找到合适的工具，sed/gawk等流处理工具只能针对一行一行处理，并无法找到字段重复的行。看来只好自己python一个程序了，突然想起来利用mysql，于是进行乾坤大挪移：

1. 利用mysqlimport --local dbname data.txt导入数据到表中，表名要与文件名一致
2. 执行下列sql语句(要求唯一的字段为uniqfield）

 

复制代码

代码如下:

use dbname;
alter table tablename add rowid int auto_increment not null;
create table t select min(rowid) as rowid from tablename group by uniqfield;
create table t2 select tablename .* from tablename,t where tablename.rowid= t.rowid;</p> <p>drop table tablename;
rename table t2 to tablename;