Linux 去重 先sort再uniq

Posted 2020-10-08 焦距

从uniq命令的帮助信息中可以看到，该命令只过滤相邻的重复行．

如果要去掉所有重复行，需要先排序，或者使用uniq -u

$ uniq --h
Usage: uniq [OPTION]... [INPUT [OUTPUT]]
Filter adjacent matching lines from INPUT (or standard input),
writing to OUTPUT (or standard output).

With no options, matching lines are merged to the first occurrence.

Mandatory arguments to long options are mandatory for short options too.
  -c, --count           prefix lines by the number of occurrences
  -d, --repeated        only print duplicate lines, one for each group
  -D                    print all duplicate lines
      --all-repeated[=METHOD]  like -D, but allow separating groups
                                 with an empty line;
                                 METHOD={none(default),prepend,separate}
  -f, --skip-fields=N   avoid comparing the first N fields
      --group[=METHOD]  show all items, separating groups with an empty line;
                          METHOD={separate(default),prepend,append,both}
  -i, --ignore-case     ignore differences in case when comparing
  -s, --skip-chars=N    avoid comparing the first N characters
  -u, --unique          only print unique lines
  -z, --zero-terminated     line delimiter is NUL, not newline
  -w, --check-chars=N   compare no more than N characters in lines
      --help     display this help and exit
      --version  output version information and exit

A field is a run of blanks (usually spaces and/or TABs), then non-blank
characters.  Fields are skipped before chars.

Note: ‘uniq‘ does not detect repeated lines unless they are adjacent.
You may want to sort the input first, or use ‘sort -u‘ without ‘uniq‘.
Also, comparisons honor the rules specified by ‘LC_COLLATE‘.

 

$ cat tmp.txt
aa
aa
bb
bb
bb
cc
cc
aa
cc
bb
$ cat tmp.txt | uniq
aa
bb
cc
aa
cc
bb

 

先sort再uniq可以去除所有重复项：

$ cat tmp.txt | sort | uniq
aa
bb
cc

 

 或者使用uniq -u：

$ cat tmp.txt | uniq -u
aa
cc
bb

但是这种方法不一定起效（参考下面的例子）

 

$ head info.json -n20 | jq .industry | awk -F ‘"‘ ‘{print $2}‘ | awk ‘{if (length > 0) print $0}‘ | uniq | sort # ==> 没有去重
商务服务业
建筑装饰和其他建筑业
批发业
批发业
批发业
机动车、电子产品和日用产品修理业
研究和试验发展
纺织服装、服饰业
计算机、通信和其他电子设备制造业
软件和信息技术服务业
道路运输业
零售业
$ head info.json -n20 | jq .industry | awk -F ‘"‘ ‘{print $2}‘ | awk ‘{if (length > 0) print $0}‘ | uniq -u | sort  # ==> 去重不完全
商务服务业
建筑装饰和其他建筑业
批发业
批发业
机动车、电子产品和日用产品修理业
研究和试验发展
纺织服装、服饰业
计算机、通信和其他电子设备制造业
软件和信息技术服务业
道路运输业
零售业
$ head info.json -n20 | jq .industry | awk -F ‘"‘ ‘{print $2}‘ | awk ‘{if (length > 0) print $0}‘ | sort | uniq  # ==> 去重成功
商务服务业
建筑装饰和其他建筑业
批发业
机动车、电子产品和日用产品修理业
研究和试验发展
纺织服装、服饰业
计算机、通信和其他电子设备制造业
软件和信息技术服务业
道路运输业
零售业