利用Linux命令行进行文本去重并按重复次数排序

linux命令行提供了非常强大的文本处理功能，组合利用linux命令能实现好多强大的功能。本文这里举例说明如何利用Linux命令行进行文本去重并按重复次数排序。主要用到的命令有sort，uniq和cut。其中，sort主要功能是排序，uniq主要功能是实现相邻文本行的去重，cut可以从文本行中提取相应的文本列(简单地说，就是按列操作文本行)。

利用Linux命令行进行文本去重并按重复次数排序图一

用于演示的测试文件内容如下：

[plain]

Hello World.

Apple and Nokia.

Hello World.

I wanna buy an Apple device.

The Iphone of Apple company.

Hello World.

The Iphone of Apple company.

My name is Friendfish.

Hello World.

Apple and Nokia.

利用Linux命令行进行文本去重并按重复次数排序图二

实现命令及过程如下：

[plain]

1、文本行去重

(1)排序

由于uniq命令只能对相邻行进行去重复操作，所以在进行去重前，先要对文本行进行排序，使重复行集中到一起。

$ sort test.txt

Apple and Nokia.

Apple and Nokia.

Hello World.

Hello World.

Hello World.

Hello World.

I wanna buy an Apple device.

My name is Friendfish.

The Iphone of Apple company.

The Iphone of Apple company.

(2)去掉相邻的重复行

$ sort test.txt / uniq

Apple and Nokia.

Hello World.

I wanna buy an Apple device.

My name is Friendfish.

The Iphone of Apple company.

利用Linux命令行进行文本去重并按重复次数排序图三

2、文本行去重并按重复次数排序

(1)首先，对文本行进行去重并统计重复次数(uniq命令加-c选项可以实现对重复次数进行统计。)。

$ sort test.txt / uniq -c

2 Apple and Nokia.

4 Hello World.

1 I wanna buy an Apple device.

1 My name is Friendfish.

2 The Iphone of Apple company.

(2)对文本行按重复次数进行排序。

sort -n可以识别每行开头的数字，并按其大小对文本行进行排序。默认是按升序排列，如果想要按降序要加-r选项(sort -rn)。

$ sort test.txt / uniq -c / sort -rn

4 Hello World.

2 The Iphone of Apple company.

2 Apple and Nokia.

1 My name is Friendfish.

1 I wanna buy an Apple device.

(3)每行前面的删除重复次数。

cut命令可以按列操作文本行。可以看出前面的重复次数占8个字符，因此，可以用命令cut -c 9- 取出每行第9个及其以后的字符。

$ sort test.txt / uniq -c / sort -rn / cut -c 9-

Hello World.

The Iphone of Apple company.