У меня есть большой (по количеству строк) текстовый файл, который я хотел бы разделить на более мелкие файлы, а также по количеству строк. Поэтому, если мой файл имеет около 2M строк, я бы хотел разбить его на 10 файлов, содержащих строки 200k, или 100 файлов, содержащих 20k строк (плюс один файл с остатком, равномерно делимый, не имеет значения).
Я мог бы сделать это довольно легко в Python, но мне интересно, есть ли какой-нибудь способ ниндзя сделать это с помощью bash и unix utils (в отличие от строк с ручным циклом и подсчетами/разбиением).
Вы смотрели на команду split?
$ split --help
Usage: split [OPTION] [INPUT [PREFIX]]
Output fixed-size pieces of INPUT to PREFIXaa, PREFIXab, ...; default
size is 1000 lines, and default PREFIX is 'x'. With no INPUT, or when INPUT
is -, read standard input.
Mandatory arguments to long options are mandatory for short options too.
-a, --suffix-length=N use suffixes of length N (default 2)
-b, --bytes=SIZE put SIZE bytes per output file
-C, --line-bytes=SIZE put at most SIZE bytes of lines per output file
-d, --numeric-suffixes use numeric suffixes instead of alphabetic
-l, --lines=NUMBER put NUMBER lines per output file
--verbose print a diagnostic to standard error just
before each output file is opened
--help display this help and exit
--version output version information and exit
Вы могли бы сделать что-то вроде этого:
split -l 200000 filename
который создаст файлы по 200000 строк с именем xaa xab xac
...
Другой вариант, разделенный по размеру выходного файла (по-прежнему разбивается на разрывы строк):
split -C 20m --numeric-suffixes input_filename output_prefix
создает файлы, такие как output_prefix01 output_prefix02 output_prefix03...
максимальный размер каждого из которых составляет 20 мегабайт.
split -b 200m filename
(m для мегабайт, k для килобайт или без суффикса для байтов)
Как насчет команды split?
split -l 200000 mybigfile.txt
Да, есть команда split
. Он разделит файл на строки или байты.
$ split --help
Usage: split [OPTION]... [INPUT [PREFIX]]
Output fixed-size pieces of INPUT to PREFIXaa, PREFIXab, ...; default
size is 1000 lines, and default PREFIX is 'x'. With no INPUT, or when INPUT
is -, read standard input.
Mandatory arguments to long options are mandatory for short options too.
-a, --suffix-length=N use suffixes of length N (default 2)
-b, --bytes=SIZE put SIZE bytes per output file
-C, --line-bytes=SIZE put at most SIZE bytes of lines per output file
-d, --numeric-suffixes use numeric suffixes instead of alphabetic
-l, --lines=NUMBER put NUMBER lines per output file
--verbose print a diagnostic just before each
output file is opened
--help display this help and exit
--version output version information and exit
SIZE may have a multiplier suffix:
b 512, kB 1000, K 1024, MB 1000*1000, M 1024*1024,
GB 1000*1000*1000, G 1024*1024*1024, and so on for T, P, E, Z, Y.
split -l 1000000 train_file train_file.
и в том же каталоге я получу train_file.aa
с первым миллионом, затем trail_file.ab
со следующим миллионом и т. д.
использовать split
Разбивает файл на части фиксированного размера, создает выходные файлы, содержащие последовательные разделы INPUT (стандартный ввод, если ничего не задано или INPUT равен '-')
Syntax split [options] [INPUT [PREFIX]]
Использование:
sed -n '1,100p' filename > output.txt
Здесь 1 и 100 - номера строк, которые вы будете записывать в output.txt
.
split
как все верхние ответы здесь уже говорят.
разбить файл "file.txt" на 10000 строк файлов:
split -l 10000 file.txt
вы также можете использовать awk
awk -vc=1 'NR%200000==0{++c}{print $0 > c".txt"}' largefile
awk -v lines=200000 -v fmt="%d.txt" '{print>sprintf(fmt,1+int((NR-1)/lines))}'
В случае, если вы просто хотите разделить на x количество строк в каждом файле, данные ответы о split
в порядке. Но мне интересно, чтобы никто не обращал внимания на требования:
Я не могу сделать это без "wc + cut", но я использую это:
split -l $(expr 'wc $filename | cut -d ' ' -f3' / $chunks) $filename
Это может быть легко добавлено к вашим функциям bashrc, так что вы можете просто вызвать его, передавая имя файла и куски:
split -l $(expr 'wc $1 | cut -d ' ' -f3' / $2) $1
Если вам нужно только x кусков без остатка в дополнительном файле, просто измените формулу, чтобы суммировать ее (куски - 1) в каждом файле. Я использую этот подход, потому что обычно я просто хочу х число файлов, а не х строк на файл:
split -l $(expr 'wc $1 | cut -d ' ' -f3' / $2 + 'expr $2 - 1') $1
Вы можете добавить это в скрипт и назвать его "ниндзя-путь", потому что, если ничто не соответствует вашим потребностям, вы можете создать его :-)
split
(из GNU coreutils, начиная с версии 8.8 от 2010-12-22) включает в себя следующий параметр:
-n, --number=CHUNKS generate CHUNKS output files; see explanation below
CHUNKS may be:
N split into N files based on size of input
K/N output Kth of N to stdout
l/N split into N files without splitting lines/records
l/K/N output Kth of N to stdout without splitting lines/records
r/N like 'l' but use round robin distribution
r/K/N likewise but only output Kth of N to stdout
Таким образом, split -n 4 input output.
сгенерирует четыре файла (output.a{a,b,c,d}
) с одинаковым количеством байтов, но в середине строки могут быть разбиты.
Если мы хотим сохранить полные строки (т.е. разделить на строки), то это должно сработать:
split -n l/4 input output.
Соответствующий ответ: https://stackoverflow.com/questions/19031144/how-to-split-one-text-file-into-multiple-txt-files
HDFS getmerge небольшой файл и вылил в размер свойства.
Этот метод вызовет разрыв строки
split -b 125m compact.file -d -a 3 compact_prefix
Я пытаюсь объединить и разделить на 128 МБ каждый файл.
# split into 128m ,judge sizeunit is M or G ,please test before use.
begainsize='hdfs dfs -du -s -h /externaldata/$table_name/$date/ | awk '{ print $1}' '
sizeunit='hdfs dfs -du -s -h /externaldata/$table_name/$date/ | awk '{ print $2}' '
if [ $sizeunit = "G" ];then
res=$(printf "%.f" 'echo "scale=5;$begainsize*8 "|bc')
else
res=$(printf "%.f" 'echo "scale=5;$begainsize/128 "|bc') # celling ref http://blog.csdn.net/naiveloafer/article/details/8783518
fi
echo $res
# split into $res files with number suffix. ref http://blog.csdn.net/microzone/article/details/52839598
compact_file_name=$compact_file"_"
echo "compact_file_name :"$compact_file_name
split -n l/$res $basedir/$compact_file -d -a 3 $basedir/${compact_file_name}
cat part* > original