จะแบ่งไฟล์ข้อความขนาดใหญ่เป็นไฟล์ขนาดเล็กลงด้วยจำนวนบรรทัดเท่ากันได้อย่างไร

ฉันมีไฟล์ข้อความธรรมดาขนาดใหญ่ (ตามจำนวนบรรทัด) ที่ฉันต้องการแยกเป็นไฟล์ขนาดเล็กลงเช่นกันตามจำนวนบรรทัด ดังนั้นหากไฟล์ของฉันมีประมาณ 2M บรรทัดฉันต้องการแยกมันเป็น 10 ไฟล์ที่มี 200k lines หรือ 100 ไฟล์ที่มี 20k lines (บวกหนึ่งไฟล์ที่มีส่วนที่เหลือการแบ่งเท่ากันไม่สำคัญ)

ฉันสามารถทำสิ่งนี้ได้อย่างง่ายดายใน Python แต่ฉันสงสัยว่ามีวิธีใดในการทำเช่นนี้โดยใช้ bash และ unix utils (ซึ่งต่างจากการวนซ้ำด้วยตนเอง

คุณดูที่คำสั่ง split หรือไม่?

$ split --help
Usage: split [OPTION] [INPUT [PREFIX]]
Output fixed-size pieces of INPUT to PREFIXaa, PREFIXab, ...; default
size is 1000 lines, and default PREFIX is `x'.  With no INPUT, or when INPUT
is -, read standard input.

Mandatory arguments to long options are mandatory for short options too.
  -a, --suffix-length=N   use suffixes of length N (default 2)
  -b, --bytes=SIZE        put SIZE bytes per output file
  -C, --line-bytes=SIZE   put at most SIZE bytes of lines per output file
  -d, --numeric-suffixes  use numeric suffixes instead of alphabetic
  -l, --lines=NUMBER      put NUMBER lines per output file
      --verbose           print a diagnostic to standard error just
                            before each output file is opened
      --help     display this help and exit
      --version  output version information and exit

คุณสามารถทำสิ่งนี้:

split -l 200000 filename

ซึ่งจะสร้างไฟล์แต่ละไฟล์ที่มีชื่อ 200,000 บรรทัดxaa xab xac...

ตัวเลือกอื่นแยกตามขนาดของไฟล์เอาต์พุต (ยังแยกตามตัวแบ่งบรรทัด):

 split -C 20m --numeric-suffixes input_filename output_prefix

สร้างไฟล์เช่นoutput_prefix01 output_prefix02 output_prefix03 ...ขนาดสูงสุด 20 เมกะไบต์แต่ละไฟล์

วิธีการเกี่ยวกับคำสั่งแยก ?

split -l 200000 mybigfile.txt

ใช่มีsplitคำสั่งอยู่ มันจะแบ่งไฟล์ตามบรรทัดหรือไบต์

$ split --help
Usage: split [OPTION]... [INPUT [PREFIX]]
Output fixed-size pieces of INPUT to PREFIXaa, PREFIXab, ...; default
size is 1000 lines, and default PREFIX is `x'.  With no INPUT, or when INPUT
is -, read standard input.

Mandatory arguments to long options are mandatory for short options too.
  -a, --suffix-length=N   use suffixes of length N (default 2)
  -b, --bytes=SIZE        put SIZE bytes per output file
  -C, --line-bytes=SIZE   put at most SIZE bytes of lines per output file
  -d, --numeric-suffixes  use numeric suffixes instead of alphabetic
  -l, --lines=NUMBER      put NUMBER lines per output file
      --verbose           print a diagnostic just before each
                            output file is opened
      --help     display this help and exit
      --version  output version information and exit

SIZE may have a multiplier suffix:
b 512, kB 1000, K 1024, MB 1000*1000, M 1024*1024,
GB 1000*1000*1000, G 1024*1024*1024, and so on for T, P, E, Z, Y.

ใช้ split

แบ่งไฟล์ออกเป็นชิ้นขนาดคงที่สร้างไฟล์เอาต์พุตที่มีส่วนต่อเนื่องของ INPUT (อินพุตมาตรฐานหากไม่มีการกำหนดหรือ INPUT คือ `- ')

Syntax split [options] [INPUT [PREFIX]]

http://ss64.com/bash/split.html

ใช้:

sed -n '1,100p' filename > output.txt

ที่นี่ที่ 1 และ 100 output.txtหมายเลขบรรทัดที่คุณจะจับใน

แยกไฟล์ "file.txt" ออกเป็นไฟล์ 10,000 บรรทัด:

split -l 10000 file.txt

split(จาก GNU coreutils ตั้งแต่รุ่น 8.8 จาก 2010-12-22 ) รวมถึงพารามิเตอร์ต่อไปนี้:

-n, --number=CHUNKS     generate CHUNKS output files; see explanation below

CHUNKS may be:
  N       split into N files based on size of input
  K/N     output Kth of N to stdout
  l/N     split into N files without splitting lines/records
  l/K/N   output Kth of N to stdout without splitting lines/records
  r/N     like 'l' but use round robin distribution
  r/K/N   likewise but only output Kth of N to stdout

ดังนั้นsplit -n 4 input output.จะสร้างสี่ไฟล์ ( output.a{a,b,c,d}) ที่มีจำนวนไบต์เท่ากัน แต่บรรทัดอาจเสียกลาง

หากเราต้องการรักษาบรรทัดทั้งหมด (เช่นแยกตามบรรทัด) ดังนั้นควรดำเนินการดังนี้

split -n l/4 input output.

คำตอบที่เกี่ยวข้อง: https://stackoverflow.com/a/19031247

ในกรณีที่คุณต้องการแยกจำนวน x บรรทัดแต่ละไฟล์คำตอบที่ระบุsplitจะเป็น OK แต่ฉันอยากรู้เกี่ยวกับไม่มีใครใส่ใจกับข้อกำหนด:

• "โดยไม่ต้องนับ" -> ใช้ wc + cut
• "การมีส่วนที่เหลือเป็นไฟล์พิเศษ" -> การแยกทำตามค่าเริ่มต้น

ฉันไม่สามารถทำเช่นนั้นได้หากไม่มี "wc + cut" แต่ฉันกำลังใช้งานอยู่:

split -l  $(expr `wc $filename | cut -d ' ' -f3` / $chunks) $filename

สิ่งนี้สามารถเพิ่มลงในฟังก์ชั่น bashrc ของคุณได้อย่างง่ายดายดังนั้นคุณสามารถเรียกมันผ่านชื่อไฟล์และชิ้นส่วน:

 split -l  $(expr `wc $1 | cut -d ' ' -f3` / $2) $1

ในกรณีที่คุณต้องการ x chunks ที่ไม่มีเศษเหลือในไฟล์พิเศษให้ปรับสูตรเพื่อรวม (chunks - 1) ในแต่ละไฟล์ ฉันใช้วิธีการนี้เพราะโดยปกติฉันต้องการ x จำนวนไฟล์มากกว่า x lines ต่อไฟล์:

split -l  $(expr `wc $1 | cut -d ' ' -f3` / $2 + `expr $2 - 1`) $1

คุณสามารถเพิ่มมันลงในสคริปต์และเรียกมันว่า "วิธีนินจา" ของคุณเพราะถ้าไม่มีอะไรที่ตรงกับความต้องการของคุณคุณสามารถสร้างมันได้ :-)

คุณยังสามารถใช้ awk

awk -vc=1 'NR%200000==0{++c}{print $0 > c".txt"}' largefile

HDFS getmerge ไฟล์ขนาดเล็กและหกลงในขนาดคุณสมบัติ

วิธีนี้จะทำให้เส้นแบ่ง

split -b 125m compact.file -d -a 3 compact_prefix

ฉันพยายาม getmerge และแบ่งเป็นประมาณ 128MB ทุกไฟล์

# split into 128m ,judge sizeunit is M or G ,please test before use.

begainsize=`hdfs dfs -du -s -h /externaldata/$table_name/$date/ | awk '{ print $1}' `
sizeunit=`hdfs dfs -du -s -h /externaldata/$table_name/$date/ | awk '{ print $2}' `
if [ $sizeunit = "G" ];then
    res=$(printf "%.f" `echo "scale=5;$begainsize*8 "|bc`)
else
    res=$(printf "%.f" `echo "scale=5;$begainsize/128 "|bc`)  # celling ref http://blog.csdn.net/naiveloafer/article/details/8783518
fi
echo $res
# split into $res files with number suffix.  ref  http://blog.csdn.net/microzone/article/details/52839598
compact_file_name=$compact_file"_"
echo "compact_file_name :"$compact_file_name
split -n l/$res $basedir/$compact_file -d -a 3 $basedir/${compact_file_name}