Apakah ada cara untuk 'uniq' dengan kolom?

Saya memiliki file .csv seperti ini:

stack2@example.com,2009-11-27 01:05:47.893000000,example.net,127.0.0.1
overflow@example.com,2009-11-27 00:58:29.793000000,example.net,255.255.255.0
overflow@example.com,2009-11-27 00:58:29.646465785,example.net,256.255.255.0
...

Saya harus menghapus duplikat email (seluruh baris) dari file (yaitu salah satu baris yang berisi [email protected]contoh di atas). Bagaimana cara menggunakan uniqhanya bidang 1 (dipisahkan dengan koma)? Menurut man, uniqtidak memiliki opsi untuk kolom.

Saya mencoba sesuatu sort | uniqtetapi tidak berhasil.

sort -u -t, -k1,1 file

• -u untuk yang unik
• -t, jadi koma adalah pembatas
• -k1,1 untuk bidang kunci 1

Hasil tes:

overflow@domain2.com,2009-11-27 00:58:29.793000000,xx3.net,255.255.255.0 
stack2@domain.com,2009-11-27 01:05:47.893000000,xx2.net,127.0.0.1 

awk -F"," '!_[$1]++' file

• -F mengatur pemisah bidang.
• $1 adalah bidang pertama.
• _[val]mencari valdi hash _(variabel biasa).
• ++ kenaikan, dan mengembalikan nilai lama.
• ! mengembalikan logika tidak.
• ada cetakan tersirat di akhir.

Untuk mempertimbangkan beberapa kolom.

Sortir dan berikan daftar unik berdasarkan kolom 1 dan kolom 3:

sort -u -t : -k 1,1 -k 3,3 test.txt

• -t : usus besar adalah pemisah
• -k 1,1 -k 3,3 berdasarkan kolom 1 dan kolom 3

atau jika Anda ingin menggunakan uniq:

<mycvs.cvs tr -s ',' ' ' | awk '{print $3" "$2" "$1}' | uniq -c -f2

memberi:

1 01:05:47.893000000 2009-11-27 tack2@domain.com
2 00:58:29.793000000 2009-11-27 overflow@domain2.com
1

Jika Anda ingin mempertahankan duplikat terakhir yang bisa Anda gunakan

 tac a.csv | sort -u -t, -r -k1,1 |tac

Yang merupakan persyaratan saya

sini

tac akan membalikkan file baris demi baris

Ini cara yang sangat bagus.

Pertama memformat konten sedemikian rupa sehingga kolom yang akan dibandingkan untuk keunikan adalah lebar tetap. Salah satu cara untuk melakukan ini adalah menggunakan printf awk dengan specifier lebar bidang / kolom ("% 15s").

Sekarang opsi -f dan -w dari uniq dapat digunakan untuk melewati bidang / kolom sebelumnya dan untuk menentukan lebar perbandingan (kolom) lebar.

Inilah tiga contoh.

Dalam contoh pertama ...

1) Untuk sementara, buat kolom yang menarik menjadi lebar tetap lebih besar atau sama dengan lebar maks bidang.

2) Gunakan opsi -f uniq untuk melewati kolom sebelumnya, dan gunakan opsi -w uniq untuk membatasi lebar ke tmp_fixed_width.

3) Hapus spasi tambahan dari kolom untuk "mengembalikan" lebarnya (dengan asumsi tidak ada spasi tambahan sebelumnya).

printf "%s" "$str" \
| awk '{ tmp_fixed_width=15; uniq_col=8; w=tmp_fixed_width-length($uniq_col); for (i=0;i<w;i++) { $uniq_col=$uniq_col" "}; printf "%s\n", $0 }' \
| uniq -f 7 -w 15 \
| awk '{ uniq_col=8; gsub(/ */, "", $uniq_col); printf "%s\n", $0 }'

Dalam contoh kedua ...

Membuat kolom uniq baru 1. Kemudian hapus setelah filter uniq diterapkan.

printf "%s" "$str" \
| awk '{ uniq_col_1=4; printf "%15s %s\n", uniq_col_1, $0 }' \
| uniq -f 0 -w 15 \
| awk '{ $1=""; gsub(/^ */, "", $0); printf "%s\n", $0 }'

Contoh ketiga sama dengan yang kedua, tetapi untuk banyak kolom.

printf "%s" "$str" \
| awk '{ uniq_col_1=4; uniq_col_2=8; printf "%5s %15s %s\n", uniq_col_1, uniq_col_2, $0 }' \
| uniq -f 0 -w 5 \
| uniq -f 1 -w 15 \
| awk '{ $1=$2=""; gsub(/^ */, "", $0); printf "%s\n", $0 }'

baik, lebih sederhana daripada mengisolasi kolom dengan awk, jika Anda perlu menghapus semuanya dengan nilai tertentu untuk file yang diberikan, mengapa tidak hanya melakukan grep -v:

misalnya untuk menghapus semuanya dengan nilai "col2" di baris tempat kedua: col1, col2, col3, col4

grep -v ',col2,' file > file_minus_offending_lines

Jika ini tidak cukup baik, karena beberapa baris mungkin dihilangkan secara tidak benar dengan kemungkinan nilai yang cocok ditampilkan di kolom yang berbeda, Anda dapat melakukan sesuatu seperti ini:

awk untuk mengisolasi kolom yang menyinggung: mis

awk -F, '{print $2 "|" $line}'

-F menetapkan bidang yang dibatasi untuk ",", $ 2 berarti kolom 2, diikuti oleh beberapa pembatas khusus dan kemudian seluruh baris. Anda kemudian dapat memfilter dengan menghapus garis yang dimulai dengan nilai yang menyinggung:

 awk -F, '{print $2 "|" $line}' | grep -v ^BAD_VALUE

dan kemudian menghapus barang-barang di depan pembatas:

awk -F, '{print $2 "|" $line}' | grep -v ^BAD_VALUE | sed 's/.*|//g'

(note - perintah sed ceroboh karena tidak termasuk nilai pelolosan. Juga pola sed harus benar-benar seperti "[^ |] +" (yaitu apa pun yang bukan pembatas). Tapi semoga ini cukup jelas.

Dengan menyortir file dengan sortterlebih dahulu, Anda kemudian dapat mendaftar uniq.

Tampaknya mengurutkan file dengan baik:

$ cat test.csv
overflow@domain2.com,2009-11-27 00:58:29.793000000,xx3.net,255.255.255.0
stack2@domain.com,2009-11-27 01:05:47.893000000,xx2.net,127.0.0.1
overflow@domain2.com,2009-11-27 00:58:29.646465785,2x3.net,256.255.255.0 
stack2@domain.com,2009-11-27 01:05:47.893000000,xx2.net,127.0.0.1
stack3@domain.com,2009-11-27 01:05:47.893000000,xx2.net,127.0.0.1
stack4@domain.com,2009-11-27 01:05:47.893000000,xx2.net,127.0.0.1
stack2@domain.com,2009-11-27 01:05:47.893000000,xx2.net,127.0.0.1

$ sort test.csv
overflow@domain2.com,2009-11-27 00:58:29.646465785,2x3.net,256.255.255.0 
overflow@domain2.com,2009-11-27 00:58:29.793000000,xx3.net,255.255.255.0
stack2@domain.com,2009-11-27 01:05:47.893000000,xx2.net,127.0.0.1
stack2@domain.com,2009-11-27 01:05:47.893000000,xx2.net,127.0.0.1
stack2@domain.com,2009-11-27 01:05:47.893000000,xx2.net,127.0.0.1
stack3@domain.com,2009-11-27 01:05:47.893000000,xx2.net,127.0.0.1
stack4@domain.com,2009-11-27 01:05:47.893000000,xx2.net,127.0.0.1

$ sort test.csv | uniq
overflow@domain2.com,2009-11-27 00:58:29.646465785,2x3.net,256.255.255.0 
overflow@domain2.com,2009-11-27 00:58:29.793000000,xx3.net,255.255.255.0
stack2@domain.com,2009-11-27 01:05:47.893000000,xx2.net,127.0.0.1
stack3@domain.com,2009-11-27 01:05:47.893000000,xx2.net,127.0.0.1
stack4@domain.com,2009-11-27 01:05:47.893000000,xx2.net,127.0.0.1

Anda juga bisa melakukan beberapa sihir AWK:

$ awk -F, '{ lines[$1] = $0 } END { for (l in lines) print lines[l] }' test.csv
stack2@domain.com,2009-11-27 01:05:47.893000000,xx2.net,127.0.0.1
stack4@domain.com,2009-11-27 01:05:47.893000000,xx2.net,127.0.0.1
stack3@domain.com,2009-11-27 01:05:47.893000000,xx2.net,127.0.0.1
overflow@domain2.com,2009-11-27 00:58:29.646465785,2x3.net,256.255.255.0