比较linux终端中的两个文件

Posted 2023-02-23

【中文标题】比较linux终端中的两个文件

【英文标题】：Comparing two files in linux terminal

【发布时间】：2013-01-08 04:13:42

【问题描述】：

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 "a.txt" 中哪些单词是多余的，而 "b.txt" 中没有。

我需要一个高效的算法，因为我需要比较两个字典。

【问题讨论】：

diff a.txt b.txt 还不够吗？

每个文件中的单词可以出现多次吗？你能对文件进行排序吗？

我只需要那些“b.txt”中不存在而a.txt中存在的词

【参考方案1】：

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

然后可以通过管道进行切割以获得干净的输出

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

【参考方案2】：

你也可以使用：

sdiff file1 file2

在终端中并排显示差异！

【参考方案3】：

为此使用 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

重复输出：

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 (forloops)：

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

本次输出：

four
five,six

【参考方案4】：

你可以使用 linux 中的diff 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 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="%

[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

【参考方案5】：

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

例如：

mcdiff file1 file2

享受吧！

【参考方案6】：

如果您更喜欢 git diff 的 diff 输出样式，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

使用两个文件，每个文件包含大约 200k 文件名字符串，我对（使用内置的 timecommand）这种方法与此处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。

---

2018-03-25 更新 实际上，您可以省略 --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。来自the man pages：

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

【参考方案7】：

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

【参考方案8】：

如果你安装了 vim，试试这个：

vimdiff file1 file2

或

vim -d file1 file2

你会发现它很棒。

【讨论】：

绝对棒极了，设计不错，很容易找出差异。天哪

你的回答很棒，但是我的老师要求我不要使用任何库函数：P

多么棒的工具！这非常有帮助。

这些颜色的含义是什么？

带颜色的代码表示它们在两个文件中不同。 @zygimantus

【参考方案9】：

试试sdiff (man sdiff)

sdiff -s file1 file2

【参考方案10】：

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

【讨论】：

您尝试过其他解决方案吗？这些解决方案之一对您有用吗？您的问题很笼统，足以吸引许多用户，但您的回答更符合我的口味……对于我的特殊情况，sdiff -s file1 file2 很有用。

@Metafaniel 我的解决方案不使用 sdiff 命令。它只使用linux内置命令来解决问题。

【参考方案11】：

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

【参考方案12】：

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）输入文件并默认输出三列：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 仅列出对 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。

【讨论】：

我只使用 grep 命令添加了我自己的答案，请告诉我它更有效吗？

@AliImran, comm 效率更高，因为它在一次运行中完成工作，无需将整个文件存储在内存中。由于您使用的字典很可能已经排序，因此您甚至不需要sort 他们。另一方面，使用grep -f file1 file2 会将整个file1 加载到内存中，并将file2 中的每一行与所有这些条目进行比较，这样效率要低得多。它主要用于小的、未排序的-f file1。

感谢@AndersJohansson 分享“comm”命令。它确实很漂亮。我经常需要在文件之间进行外部连接，这可以解决问题。

注意换行符...我刚刚发现\n也会包含进来做对比。