Linux下删除大数据文件中部分字段重复行的方法

时间:2021-12-17 21:34:45

最近写的一个数据采集程序生成了一个含有1千多万行数据的文件,数据由4个字段组成,按照要求需要删除第二个字段重复的行,找来找去linux下也没找到合适的工具,sed/gawk等流处理工具只能针对一行一行处理,并无法找到字段重复的行。看来只好自己python一个程序了,突然想起来利用mysql,于是进行乾坤大挪移: 

1. 利用mysqlimport --local dbname data.txt导入数据到表中,表名要与文件名一致 
2. 执行下列sql语句(要求唯一的字段为uniqfield) 
 

复制代码

代码如下:


use dbname; 
alter table tablename add rowid int auto_increment not null; 
create table t select min(rowid) as rowid from tablename group by uniqfield; 
create table t2 select tablename .* from tablename,t where tablename.rowid= t.rowid; 
drop table tablename; 
rename table t2 to tablename;