Как удалить повторяющиеся слова из текстового файла с помощью команды linux

Ответ 1

Предполагая, что слова по одному на строку, и файл уже отсортирован:

uniq filename

Если файл не отсортирован:

sort filename | uniq

Если они не по одному в строке, и вы не возражаете против того, чтобы они были по одному в строке:

tr -s [:space:] \\n < filename | sort | uniq

Это не устраняет пунктуацию, поэтому, возможно, вы хотите:

tr -s [:space:][:punct:] \\n < filename | sort | uniq

Но это удаляет дефис из переносимых слов. "man tr" для дополнительных параметров.

Ответ 2

ruby -pi.bak -e '$_.split(",").uniq.join(",")' filename?

Я признаю, что два вида цитат уродливы.

Ответ 3

Создание уникального списка довольно легко благодаря uniq, хотя большинство команд Unix, например, одна запись в строке вместо списка с разделителями-запятыми, поэтому мы должны начать с преобразования его в это:

$ sed 's/, /\n/g' filename | sort | uniq
word1
word2
word3
word4
word5
word6
word7

Чем сложнее повторить это на одной строке с запятыми как разделители, а не терминаторы. Я использовал perl one-liner для этого, но если у кого-то есть что-то более идиоматическое, пожалуйста, отредактируйте меня.:)

$ sed 's/, /\n/g' filename | sort | uniq | perl -e '@a = <>; chomp @a; print((join ", ", @a), "\n")'
word1, word2, word3, word4, word5, word6, word7

Ответ 4

Здесь awk script, который оставит каждую строку в такте, только удаляя повторяющиеся слова:

BEGIN { 
     FS=", " 
} 
{ 
    for (i=1; i <= NF; i++) 
        used[$i] = 1
    for (x in used)
        printf "%s, ",x
    printf "\n"
    split("", used)
} 

Ответ 5

У меня была та же самая проблема сегодня.. список слов с 238 000 слов, но около 40 000 из них были дубликатами. Я уже имел их в отдельных строках, делая

cat filename | tr " " "\n" | sort 

чтобы удалить дубликаты, я просто сделал

cat filename | uniq > newfilename .

Не работает без ошибок, и теперь мой файл с 1,45 МБ до 1,01 МБ

Ответ 6

Я бы подумал, что вы захотите заменить пробелы новыми символами, используйте команду uniq, чтобы найти уникальные строки, затем замените новые строки пробелами.

Ответ 7

Я предположил, что вы хотите, чтобы слова были уникальными в одной строке, а не во всем файле. Если это так, то Perl script ниже выполнит трюк.

while (<DATA>)
{
    chomp;
    my %seen = ();
    my @words = split(m!,\s*!);
    @words = grep { $seen{$_} ? 0 : ($seen{$_} = 1) } @words;
    print join(", ", @words), "\n";
}

__DATA__
word1, word2, word3, word2, word4, word5, word3, word6, word7, word3

Если вы хотите уникальность по всему файлу, вы можете просто переместить хэш %seen вне цикла while (){}.

Ответ 8

Пришел к этому потоку, пытаясь решить ту же проблему. Я объединил несколько файлов, содержащих пароли, поэтому, естественно, было много парных. Кроме того, многие нестандартные символы. Мне они действительно не нужны, но казалось, что это будет необходимо для uniq.

Я пробовал:

sort /Users/me/Documents/file.txt | uniq -u
sort: string comparison failed: Illegal byte sequence
sort: Set LC_ALL='C' to work around the problem.
sort: The strings compared were `t\203tonnement' and `t\203tonner'

Пробовал:

sort -u /Users/me/Documents/file.txt >> /Users/me/Documents/file2.txt
sort: string comparison failed: Illegal byte sequence
sort: Set LC_ALL='C' to work around the problem.
sort: The strings compared were `t\203tonnement' and `t\203tonner'.

И даже попробовал сначала пропустить его через кошку, так что я мог убедиться, что мы получаем правильный ввод.

cat /Users/me/Documents/file.txt | sort | uniq -u > /Users/me/Documents/file2.txt
sort: string comparison failed: Illegal byte sequence
sort: Set LC_ALL='C' to work around the problem.
sort: The strings compared were `zon\351s' and `zoologie'.

Я не уверен, что происходит. Строки "t\203tonnement" и "t\203tonner" не найдены в файле, хотя найдены "t/203" и "tonnement", но на отдельных соседних строках. То же самое с "zon\351s".

Что, наконец, помогло мне:

awk '!x[$0]++' /Users/me/Documents/file.txt > /Users/me/Documents/file2.txt

Он также сохранил слова, единственное различие которых было случайным, что я и хотел. Мне не нужен список, отсортированный, так что было хорошо, что это не так.

Ответ 9

И не забудьте параметр -c для утилиты uniq, если вы заинтересованы в получении количества слов.

Ответ 10

открыть файл с помощью vim (vim filename) и запустить команду сортировки с уникальным флагом (:sort u).