大文本合并去重有什么比较快的方法？

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

已注册用户请登录

这是一个创建于 3716 天前的主题，其中的信息可能已经有所发展或是发生改变。

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？

6 条回复 • 1970-01-01 08:00:00 +08:00

9hills

2014-03-09 16:02:02 +08:00

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

2014-03-09 16:07:28 +08:00

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

2014-03-09 16:11:44 +08:00

@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

2014-03-09 16:50:52 +08:00

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

ooh

2014-03-09 18:02:28 +08:00

@alexapollo 弱弱的问一下，这是怎么用的？

9hills

2014-03-09 18:04:45 +08:00

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