大文本合并去重有什么比较快的方法？

[ooh]

多个文本文件，单个上千万，数百万行，数十万，数万都有，考虑到数据合并后肯定有很多重复的，现在采用的是先sort>uniq>cat>sort>uniq
想问的是有更快捷的方法吗？

[9hills]

上千万行去重用sort的效率很低，而且做了额外操作，因为你只是要去重，而不是排序

用awk数组来实现很简单很快，而且内存占用相当于hash表

cat 一堆文件 | awk '{ if (!seen[$0]++) { print $0; } }'

[9hills]

awk的这种方法的缺陷是内存占用，大约5000w条去重后的数据，计算过程估算占几个G

但是肯定比sort占的少，上次有同事在机器上上千万行sort，把机器内存打爆了

[ooh]

@9hills thx,我试试，因为单行数据都是比较简单的数据，所以上千万行sort >> 还比较轻松

[alexapollo]

map(hash_insert, row)
reduce(hash_insert, row)

[ooh]

@alexapollo 弱弱的问一下，这是怎么用的？

[9hills]

@ooh MapReduce ， 如果你的数据量单机搞不定，就用map reduce吧