转:http://www.ttlsa.com/linux/linux-file-comparison-operations-text-file-of-the-intersection-difference-sets-and-difference/
最近公司业务调整,需要对属于百度某公司的域名进行剥离分开,属于本公司的域名更改掉。 域名非常之多之杂乱。各自分别整理手上的域名, 后面再整理无家可归的域名。
这就需要对文件进行操作,也就是把文件当作集合,求集合的交集差集等等集合论相关的数学理论。
下面介绍两个命令:
1. comm命令
comm命令可以用于两个文件之间的比较,它有一些选项可以用来调整输出,以便执行交集、求差、以及差集操作。有三列内容:分别表示A-B,B-A 和 A交B。
相关集合论解释:
交集:打印出两个文件所共有的行。
求差:打印出指定文件所包含的且不相同的行。
差集:打印出包含在一个文件中,但不包含在其他指定文件中的行。
实例:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
|
# cat aaa.txt
aaa
bbb
ccc
ddd
eee
111
222
# cat bbb.txt
bbb
ccc
aaa
hhh
ttt
jjj
# comm aaa.txt bbb.txt
aaa
bbb
ccc
aaa
ddd
eee
111
222
hhh
ttt
jjj
第一列 第二列 第三列
|
输出的第一列只包含在aaa.txt中出现的行,第二列包含在bbb.txt中出现的行,第三列包含在aaa.txt和bbb.txt中相同的行。各列是以制表符(\t)作为定界符。
格式化输出选项:
-1:从输出中删除第一列
-2:从输出中删除第二列
-3:从输出中删除第三列
1.1 交集
打印两个文件的交集,需要删除第一列和第二列:
1
2
3
|
# comm aaa.txt bbb.txt -1 -2
bbb
ccc
|
1.2 求差
打印出两个文件中不相同的行,需要删除第三列:
1
2
3
4
5
6
7
8
9
10
|
# comm aaa.txt bbb.txt -3 | sed 's/^\t//'
aaa
aaa
ddd
eee
111
222
hhh
ttt
jjj
|
sed 's/^\t//' 是将制表符(\t)删除,以便把两列合并成一列。
1.3 差集
通过删除不需要的列,可以得到aaa.txt和bbb.txt的差集:
1.3.1 aaa.txt的差集
1
2
3
4
5
6
|
# comm aaa.txt bbb.txt -2 -3
aaa
ddd
eee
111
222
|
1.3.2 bbb.txt的差集
1
2
3
4
5
|
# comm aaa.txt bbb.txt -1 -3
aaa
hhh
ttt
jjj
|
[warning]
注意1:
1. comm命令要求输入文件的内容必须是排序且唯一的
2. comm -12 表示取消第一列和第二列的输出,即只输出第三列。[/warning]
2. grep命令
grep命令是常用来搜索文本内容的,根据输入的pattern,输出命中的内容。可以利用它的文件输入pattern特性,来求两个文件的交集。
2.1 交集
1
2
3
4
|
# grep -F -f aaa.txt bbb.txt
bbb
ccc
aaa
|
2.2 差集
2.2.1 aaa.txt - bbb.txt的差集
1
2
3
4
5
|
# grep -F -v -f bbb.txt aaa.txt
ddd
eee
111
222
|
2.2.2 bbb.txt - aaa.txt的差集
1
2
3
4
|
# grep -F -v -f aaa.txt bbb.txt
hhh
ttt
jjj
|
[warning]
注意2:
1. grep求交集不要求输入文件是排序的,但最好是唯一的
2. 差集时注意输入文件的顺序[/warning]
大家可能注意到了,comm与grep求差集的结果却不同,当我们在使用comm命令前,先对aaa.txt和bbb.txt进行排序操作后,再比较。结果如下:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
# sort aaa.txt > aaa1.txt
# sort bbb.txt > bbb1.txt
# comm aaa1.txt bbb1.txt
111
222
aaa
bbb
ccc
ddd
eee
hhh
jjj
ttt
A-B B-A
|
这结果才与grep的结果相同。