处理文件的交差并集合
日常工作中，经常会有文件处理。要玩的转命令，记得熟，速度快。
如题，指定列去重就是一个频繁遇到的问题。脑子里一直深深烙着 sort | uniq 这种用法，直到前两天处理一个2700万+行的大文件，才意识到老朋友玩不转了。。
对千万行的大文件执行 sort | uniq，等的花儿谢了也白扯…
显然，咱手头的文件列也不是带索引的（又不是数据库），那执行大数据排序 sort 操作当然非常慢了。 更快的方法，当然要考虑怎么不用排序去重。
熟悉编程的同学，肯定立马想到用对象数组啊，key=>value这种。因为key是唯一的（文件指定的去重列做key），这样不就是去重了么~
嗯啊，下边介绍的这种机智的命令就是应用的这个想法。
大杀器： !arr[key]++
简洁的表达，反而容易迷糊住一般人。简单说下就明白了。
- arr即是定义一个数组
- key即是文件的指定列
- 运算符优先级：a++ 优先于 ！
再啰嗦一句就捅破了.. 按照文件行处理的话：第一次的key，arr[key]++ 表达式返回0，加个！，表达式结果为true。此时arr[key]==1了，后续行再遇到这个相同key， !arr[key]++ 这个表达式自然就是false了。
明白这个表达式了，那命令也出来了，利用下awk。比如指定列是第一列
awk '!arr[$1]++' filename
再说下awk是’条件{do sth}’， !arr[$1]++ 是条件，命令默认打印全部{print $0}
这种去重方式，显然不需要预先排序，速度自然快的飞起哈哈。不过速度是快了，牺牲了什么呢？他疯狂的吃内存，因为它要存下来整个文件列的数组。很大的文件情况下就要考虑内存承受了。
我的开发机，在搞这2700万+的文件就吃不消了，进程过一会被杀死了。执行过程中，top一下会发现这个命令内存占比蹭蹭往上涨。
sort | uniq 这种方式，利用内存上会更好，不会挂掉。
因为开发机内存不够的原因，为了展示下这两个方法的数据对比。我按每900万行拆了下文件。（实际文件是两列，指定第一列去重）
split -l 9000000 userimei.log
利用分割后的文件 xaa 对比：
#!/bin/bash
time awk '{print $1}' xaa | sort | uniq > zaa.log
time awk '!arr[$1]++{print $1}' xaa > zbb.log
time 是查看命令执行时间。
1. sort | uniq 方法耗时 92秒
real 1m32.192s
user 1m27.186s
sys 0m1.529s
2. !arr[key]++ 方法耗时 24秒
real 0m23.902s
user 0m20.660s
sys 0m1.602s
查看去重后文件行数是否一致：
wc -l zaa.log
wc -l zbb.log
都是 8942497 行，符合预期。
是不是真正掌握了大杀器呢?
举一反三： 比如交集、并集、差集这些集合运算呢？
a.log 和 b.log 是各自去重了的A集合和B集合（集合性质之一互异性）。
交集
# 1. sort | uniq 方法 -d 参数只输出重复行
$ sort a.log b.log | uniq -d
# 2. arr[$1]++ 方法该怎么办呢？真正掌握了的话，就知道表达式等于1输出就ok了
$ awk 'a[$1]++==1' a.log b.log
仍然用了前面900万行的文件a，和从中选取两行做b；实际对比：
# 方法1
real 0m51.684s
# 方法2
real 0m18.216s
并集
# 1. sort | uniq 方法，直接就是去重
$ sort a.log b.log | uniq
# 2. arr[$1]++ 这个就是去重而已。表达式为0 或者 非！就ok了
$ awk '!a[$1]++' a.log b.log
仍然用了前面900万行的文件a，和从中选取两行做b；实际对比：
# 方法1
real 0m52.436s
# 方法2
real 0m19.080s
差集
差集需要注意顺序，是A-B or B-A
A-B 举例：
# 1. sort | uniq 方法，-u 参数只输出出现一次的记录。一个技巧，使用两次B集合完成 A-B 差集运算
$ sort a.log b.log b.log | uniq -u
# 2. arr[$1] 杀器，设计这种方法花费了我好长时间。。也写出来几个，但每写一个总感觉有更快的，最后选择了下面这个方法。即便这种写法的速度也大大优越于排序的方法。
$ awk 'NR<=FNR{a[$1]}NR>FNR{delete a[$1]}END{for(k in a) print k}' a.log b.log
A a.log 是3条数据；B b.log是300万条数据。
开始测试：
A-B： （小文件-大文件）
# 方法1
real 0m52.710s
# 方法2
real 0m1.891s
这效果杠杠滴把哈哈~
----------------------
B-A： （大文件-小文件）
# 方法1
real 0m22.575s
# 方法2
real 0m7.930s
----------------------
当小文件-大文件的差集时，第二种方法远远优于第一种排序方法。
同时也发现，数组这种方法，在处理上，时间更多是耗费在对数组赋值上（赋值操作是前一个文件）。
再简单介绍下差集中的 awk 命令：
NR 表示处理当前的行数，不管awk一个文件还是两个文件，NR始终都是 +1 递增的。
FNR 表示当前文件处理的行数，类似NR的是，当处理各自文件时是 +1 递增的；而区别与NR，FNR处理新文件时，是从 1 开始了。
这样语句就好解释了，当NR在第一个文件a.log时，始终赋值列到数组a里。当NR在第二个文件b.log时，始终删除a数组列。哈哈，其实这不就是差集的定义么？在 A 集合，但又不在 B 集合。
Okay了~ 写篇博客真耗时啊… 写完是真开心!
当遇到大文件不需要排序的去重 或者 交差并集合运算时候，利用 !arr[$1]++ 起来吧~ 会给你节省时间的哈哈