Come eliminare parole dal file txt, che esiste su un altro file txt?

8

Il file a.txt ha circa 100k parole, ogni parola è in una nuova riga

july.cpp
windows.exe
ttm.rar
document.zip

Il file b.txt ha 150k parole, una parola per riga - alcune parole provengono dal file a.txt , ma alcune parole sono nuove:

july.cpp    
NOVEMBER.txt    
windows.exe    
ttm.rar    
document.zip    
diary.txt

Come posso unire questi file in uno, eliminare tutte le linee duplicate e mantenere le linee nuove (righe che esistono in a.txt ma non esistono in b.txt e viceversa)?

    
posta Kate-Kasia 25.07.2014 - 23:33

4 risposte

13

C'è un comando per fare questo: comm . Come indicato in man comm , è semplice:

   comm -3 file1 file2
          Print lines in file1 not in file2, and vice versa.

Nota che comm si aspetta che i contenuti dei file siano ordinati, quindi devi ordinarli prima di chiamare comm su di essi, proprio così:

sort unsorted-file.txt > sorted-file.txt

Quindi riassumendo:

sort a.txt > as.txt

sort b.txt > bs.txt

comm -3 as.txt bs.txt > result.txt

Dopo i comandi precedenti, avrai le linee previste nel file result.txt .

    
risposta data user280493 26.07.2014 - 00:06
2

Ecco un breve script python3, basato sulla risposta di Germar , che dovrebbe realizzare ciò mantenendo il b.txt di ordine non ordinato.

#!/usr/bin/python3

with open('a.txt', 'r') as afile:
    a = set(line.rstrip('\n') for line in afile)

with open('b.txt', 'r') as bfile:
    for line in bfile:
        line = line.rstrip('\n')
        if line not in a:
            print(line)
            # Uncomment the following if you also want to remove duplicates:
            # a.add(line)
    
risposta data ikdc 26.07.2014 - 03:39
1
#!/usr/bin/env python3

with open('a.txt', 'r') as f:
    a_txt = f.read()
a = a_txt.split('\n')
del(a_txt)

with open('b.txt', 'r') as f:
    while True:
        b = f.readline().strip('\n ')
        if not len(b):
            break
        if not b in a:
            print(b)
    
risposta data Germar 26.07.2014 - 00:09
1

Dai un'occhiata al comando coreutils comm - man comm

NAME
       comm - compare two sorted files line by line

SYNOPSIS
       comm [OPTION]... FILE1 FILE2

DESCRIPTION
       Compare sorted files FILE1 and FILE2 line by line.

       With  no  options,  produce  three-column  output.  Column one contains
       lines unique to FILE1, column two contains lines unique to  FILE2,  and
       column three contains lines common to both files.

       -1     suppress column 1 (lines unique to FILE1)

       -2     suppress column 2 (lines unique to FILE2)

       -3     suppress column 3 (lines that appear in both files)

Quindi, ad esempio, puoi fare

$ comm -13 <(sort a.txt) <(sort b.txt)
diary.txt
NOVEMBER.txt

(righe univoche per b.txt )

    
risposta data steeldriver 26.07.2014 - 00:11

Leggi altre domande sui tag