linux - 比较linux终端中的两个文件

Question

有两个名为“a.txt”和“b.txt”的文件都有一个单词列表。现在我想检查哪些单词在"a.txt"中是多余的，而不是在"b.txt"中。

我需要一个有效的算法，因为我需要比较两个字典。

Answer 1

如果你安装了 vim，试试这个：

vimdiff file1 file2

或者

vim -d file1 file2

你会发现它很棒。

Answer 2

对它们进行排序并使用comm：

comm -23 <(sort a.txt) <(sort b.txt)

comm比较（排序的）输入文件，默认输出三列：a 唯一的行，b 唯一的行，以及两者中都存在的行。通过指定-1,-2和/或-3您可以抑制相应的输出。因此comm -23 a b仅列出 a 唯一的条目。我使用<(...)语法对文件进行动态排序，如果它们已经排序，则不需要它。

Answer 3

如果您更喜欢 diff 输出样式git diff，可以将其与--no-index标志一起使用来比较不在 git 存储库中的文件：

git diff --no-index a.txt b.txt

使用几个文件，每个文件大约有 200k 文件名字符串，我对（使用内置time命令）这种方法与这里的其他一些答案进行了基准测试：

git diff --no-index a.txt b.txt
# ~1.2s

comm -23 <(sort a.txt) <(sort b.txt)
# ~0.2s

diff a.txt b.txt
# ~2.6s

sdiff a.txt b.txt
# ~2.7s

vimdiff a.txt b.txt
# ~3.2s

comm似乎是迄今为止最快的，而git diff --no-index似乎是 diff 样式输出的最快方法。

---

更新 2018-03-25您实际上可以省略该--no-index标志，除非您在 git 存储库中并且想要比较该存储库中未跟踪的文件。从手册页：

这种形式是比较文件系统上给定的两个路径。当在 Git 控制的工作树中运行命令并且至少有一个路径指向工作树之外，或者在 Git 控制的工作树之外运行命令时，您可以省略 --no-index 选项。

Answer 4

试试sdiff( man sdiff)

sdiff -s file1 file2

Answer 5

您可以使用difflinux 中的工具来比较两个文件。您可以使用--changed-group-format和--unchanged-group-format选项来过滤所需的数据。

以下三个选项可用于为每个选项选择相关组：

• '%<' 从 FILE1 获取行

• '%>' 从 FILE2 获取行

• ''（空字符串）用于从两个文件中删除行。

例如：diff --changed-group-format="%<" --unchanged-group-format="" file1.txt file2.txt

[root@vmoracle11 tmp]# cat file1.txt 
test one
test two
test three
test four
test eight
[root@vmoracle11 tmp]# cat file2.txt 
test one
test three
test nine
[root@vmoracle11 tmp]# diff --changed-group-format='%<' --unchanged-group-format='' file1.txt file2.txt 
test two
test four
test eight

Answer 6

您还可以使用：colordiff：用颜色显示 diff 的输出。

关于vimdiff：它允许您通过 SSH 比较文件，例如：

vimdiff /var/log/secure scp://192.168.1.25/var/log/secure

摘自：http ://www.sysadmit.com/2016/05/linux-diferencias-entre-dos-archivos.html

Answer 7

另外，不要忘记mcdiff - GNU Midnight Commander的内部差异查看器。

例如：

mcdiff file1 file2

享受！

Answer 8

使用comm -13 （需要排序的文件）：

$ cat file1
one
two
three

$ cat file2
one
two
three
four

$ comm -13 <(sort file1) <(sort file2)
four

Answer 9

这是我的解决方案：

mkdir temp
mkdir results
cp /usr/share/dict/american-english ~/temp/american-english-dictionary
cp /usr/share/dict/british-english ~/temp/british-english-dictionary
cat ~/temp/american-english-dictionary | wc -l > ~/results/count-american-english-dictionary
cat ~/temp/british-english-dictionary | wc -l > ~/results/count-british-english-dictionary
grep -Fxf ~/temp/american-english-dictionary ~/temp/british-english-dictionary > ~/results/common-english
grep -Fxvf ~/results/common-english ~/temp/american-english-dictionary > ~/results/unique-american-english
grep -Fxvf ~/results/common-english ~/temp/british-english-dictionary > ~/results/unique-british-english

Answer 10

您还可以使用：

sdiff file1 file2

在终端中并排显示差异！

Answer 11

问题的最佳答案是，我使用它（包含在 linux 中） diff a.txt b.txt | grep '<'

扩音器 < extra from a.txt to b.txt :) 意味着 b.txt 没有它们

diff a.txt b.txt | grep '>' 这将给出 a.txt 没有的东西，但这不是问题:)

Answer 12

diff a.txt b.txt | grep '<'

然后可以管道切割以获得干净的输出

diff a.txt b.txt | grep '<' | cut -c 3

Answer 13

使用 awk 。测试文件：

$ cat a.txt
one
two
three
four
four
$ cat b.txt
three
two
one

awk：

$ awk '
NR==FNR {                    # process b.txt  or the first file
    seen[$0]                 # hash words to hash seen
    next                     # next word in b.txt
}                            # process a.txt  or all files after the first
!($0 in seen)' b.txt a.txt   # if word is not hashed to seen, output it

输出重复：

four
four

为避免重复，请将 a.txt 中每个新遇到的单词添加到seen哈希中：

$ awk '
NR==FNR {
    seen[$0]
    next
}
!($0 in seen) {              # if word is not hashed to seen
    seen[$0]                 # hash unseen a.txt words to seen to avoid duplicates 
    print                    # and output it
}' b.txt a.txt

输出：

four

如果单词列表以逗号分隔，例如：

$ cat a.txt
four,four,three,three,two,one
five,six
$ cat b.txt
one,two,three

你必须多跑几圈（for循环）：

awk -F, '                    # comma-separated input
NR==FNR {
    for(i=1;i<=NF;i++)       # loop all comma-separated fields
        seen[$i]
    next
}
{
    for(i=1;i<=NF;i++)
        if(!($i in seen)) {
             seen[$i]        # this time we buffer output (below):
             buffer=buffer (buffer==""?"":",") $i
        }
    if(buffer!="") {         # output unempty buffers after each record in a.txt
        print buffer
        buffer=""
    }
}' b.txt a.txt

这次输出：

four
five,six