bash - 寻找大文件的 uniq -c 替代品

Question

我有一个大文件（50 GB），我想计算其中不同行的出现次数。通常我会使用

sort bigfile | uniq -c

但是文件足够大，排序需要大量的时间和内存。我可以

grep -cfx 'one possible line'

对于文件中的每个唯一行，但这意味着 n 为每个可能的行传递文件，这（尽管对内存更友好）比原始行花费的时间更长。

有任何想法吗？

---

一个相关问题询问了一种在大文件中查找唯一行的方法，但我正在寻找一种方法来计算每个实例的数量——我已经知道可能的行是什么。

Answer 1

利用awk

awk '{c[$0]++} END {for (line in c) print c[line], line}' bigfile.txt

这在时间上是 O(n)，在空间上是 O(unique lines)。

Answer 2

这是使用jq 1.5 的解决方案。它与 awk 解决方案在方法和性能特征上基本相同，但输出是表示哈希的 JSON 对象。（该程序可以简单地修改以产生另一种格式的输出。）

调用：

$ jq -nR 'reduce inputs as $line ({}; .[$line] += 1)' bigfile.txt

如果 bigfile.txt 由以下几行组成：

a
a
b
a
c

那么输出将是：

{
  "a": 3,
  "b": 1,
  "c": 1
}

Answer 3

#!/bin/bash
# port this logic to awk or ksh93 to make it fast

declare -A counts=( )
while IFS= read -r line; do
  counts[$line]=$(( counts[$line] + 1 )) # increment counter
done

# print results
for key in "${!counts[@]}"; do
  count=${counts[$key]}
  echo "Found $count instances of $key"
done