web-dev-qa-db-ja.com

エントリを分割せずに大きなファイルをチャンクに分割する

UIEE形式でフォーマットされたかなり大きな.msgファイルがあります。

$ wc -l big_db.msg
8726593 big_db.msg

基本的に、ファイルは次のようなさまざまな長さのエントリで構成されています。

UR|1
AA|Condon, Richard
TI|Prizzi's Family
CN|Collectable- Good/Good
MT|FICTION
PU|G.P. Putnam & Sons
DP|1986
ED|First Printing.
BD|Hard Cover
NT|0399132104
KE|MAFIA
KE|FICTION
PR|44.9
XA|4
XB|1
XC|BO
XD|S

UR|10
AA|Gariepy, Henry
TI|Portraits of Perseverance
CN|Good/No Jacket
MT|SOLD
PU|Victor Books
DP|1989
BD|Mass Market Paperback
NT|1989 tpb g 100 meditations from the Book of Job "This book...help you
NT| persevere through the struggles of your life..."
KE|Bible
KE|religion
KE|Job
KE|meditations
PR|28.4
XA|4
XB|5
XC|BO
XD|S

これは、空白行で区切られた2つのエントリの例です。エントリを2つのファイルに分割せずに、この大きなファイルを小さなファイルに分割したいと思います。

個々のエントリは、ファイル内では改行（完全に空白の行）で区切られています。この870万行のファイルを15ファイルに分割したいと思います。 splitのようなツールが存在することは理解していますが、ファイルを分割する方法がよくわかりませんが、1つのエントリが複数のファイルに分割されないように、改行でのみ分割します。

text-processingsplit
8
user2036066

これが機能する解決策です：

seq 1 $(((lines=$(wc -l </tmp/file))/16+1)) $lines |
sed 'N;s|\(.*\)\(\n\)\(.*\)|\1d;\1,\3w /tmp/uptoline\3\2\3|;P;$d;D' |
sed -ne :nl -ne '/\n$/!{N;bnl}' -nf - /tmp/file

これは、最初のsedが2番目のsedのスクリプトを記述できるようにすることで機能します。 2番目のsedは、最初に、空白行が見つかるまですべての入力行を収集します。次に、すべての出力行をファイルに書き込みます。最初のsedは、出力を書き込む場所を指示する2番目のスクリプトのスクリプトを書き出します。テストケースでは、スクリプトは次のようになりました。

1d;1,377w /tmp/uptoline377
377d;377,753w /tmp/uptoline753
753d;753,1129w /tmp/uptoline1129
1129d;1129,1505w /tmp/uptoline1505
1505d;1505,1881w /tmp/uptoline1881
1881d;1881,2257w /tmp/uptoline2257
2257d;2257,2633w /tmp/uptoline2633
2633d;2633,3009w /tmp/uptoline3009
3009d;3009,3385w /tmp/uptoline3385
3385d;3385,3761w /tmp/uptoline3761
3761d;3761,4137w /tmp/uptoline4137
4137d;4137,4513w /tmp/uptoline4513
4513d;4513,4889w /tmp/uptoline4889
4889d;4889,5265w /tmp/uptoline5265
5265d;5265,5641w /tmp/uptoline5641

私はそれを次のようにテストしました：

printf '%s\nand\nmore\nlines\nhere\n\n' $(seq 1000) >/tmp/file

これにより、次のような6000行のファイルが提供されました。

<iteration#>
and
more
lines
here
#blank

... 1000回繰り返しました。

上記のスクリプトを実行した後：

set -- /tmp/uptoline*
echo $# total splitfiles
for splitfile do
    echo $splitfile
    wc -l <$splitfile
    tail -n6 $splitfile
done

出力

15 total splitfiles
/tmp/uptoline1129
378
188
and
more
lines
here

/tmp/uptoline1505
372
250
and
more
lines
here

/tmp/uptoline1881
378
313
and
more
lines
here

/tmp/uptoline2257
378
376
and
more
lines
here

/tmp/uptoline2633
372
438
and
more
lines
here

/tmp/uptoline3009
378
501
and
more
lines
here

/tmp/uptoline3385
378
564
and
more
lines
here

/tmp/uptoline3761
372
626
and
more
lines
here

/tmp/uptoline377
372
62
and
more
lines
here

/tmp/uptoline4137
378
689
and
more
lines
here

/tmp/uptoline4513
378
752
and
more
lines
here

/tmp/uptoline4889
372
814
and
more
lines
here

/tmp/uptoline5265
378
877
and
more
lines
here

/tmp/uptoline5641
378
940
and
more
lines
here

/tmp/uptoline753
378
125
and
more
lines
here
2
mikeserv

csplitの提案を使用する：

行番号に基づく分割

$ csplit file.txt <num lines> "{repetitions}"

例

1000行のファイルがあるとします。

$ seq 1000 > file.txt

$ csplit file.txt 100 "{8}"
288
400
400
400
400
400
400
400
400
405

次のようなファイルになります。

$ wc -l xx*
  99 xx00
 100 xx01
 100 xx02
 100 xx03
 100 xx04
 100 xx05
 100 xx06
 100 xx07
 100 xx08
 101 xx09
   1 xx10
1001 total

特定のファイルの行数に基づいて事前に数値を計算しておくことで、繰り返し回数を指定する必要があるという静的な制限を回避できます。

$ lines=100
$ echo $lines 
100

$ rep=$(( ($(wc -l file.txt | cut -d" " -f1) / $lines) -2 ))
$ echo $rep
8

$ csplit file.txt 100 "{$rep}"
288
400
400
400
400
400
400
400
400
405

空白行に基づく分割

一方、ファイルに含まれている空白行でファイルを単純に分割したい場合は、このバージョンのsplitを使用できます。

$ csplit file2.txt '/^$/' "{*}"

例

上記のfile.txtに4つの空白行を追加して、ファイルをfile2.txtにしたとします。次のように手動で追加されていることがわかります。

$ grep -A1 -B1 "^$" file2.txt
20

21
--
72

73
--
112

113
--
178

179

上記は、サンプルファイル内の対応する番号の間にそれらを追加したことを示しています。 csplitコマンドを実行すると、次のようになります。

$ csplit file2.txt '/^$/' "{*}"
51
157
134
265
3290

空白行に基づいて分割された4つのファイルがあることがわかります。

$ grep -A1 -B1 '^$' xx0*
xx01:
xx01-21
--
xx02:
xx02-73
--
xx03:
xx03-113
--
xx04:
xx04-179

参考文献

3
slm

レコードの順序を気にしない場合は、次のことができます。

gawk -vRS= '{printf "%s", $0 RT > "file.out." (NR-1)%15}' file.in

それ以外の場合は、最初にレコード数を取得して、各出力ファイルにいくつ入れるかを知る必要があります。

gawk -vRS= -v "n=$(gawk -vRS= 'END {print NR}' file.in)" '
  {printf "%s", $0 RT > "file.out." int((NR-1)*15/n)}' file.in
3
Stéphane Chazelas

行の最後でのみ分割する場合は、splitの-lオプションを使用して分割できるはずです。

空白行（\n\n）で分割する場合は、kshで分割する方法を次に示します。私はそれをテストしていません、そしてそれはおそらく理想的ではありませんが、この線に沿った何かがうまくいくでしょう：

filenum=0
counter=0
limit=580000

while read LINE
do
  counter=counter+1

  if (( counter >= limit ))
  then
    if [[ $LINE == "" ]]
    then
      filenum=filenum+1
      counter=0
    fi
  fi

  echo $LINE >>big_db$filenum.msg
done <big_db.msg
1
hornj

awkをお試しください

awk 'BEGIN{RS="\n\n"}{print $0 > FILENAME"."FNR}' big_db.msg
0
dchirikov

レコードの順序は気にしないが、特定の数の出力ファイルを取得することにこだわる場合は、 Stephaneの答え が私のやり方です。しかし、各出力ファイルが超えてはならないサイズを指定することをもっと気にかけているのではないかと思います。入力ファイルを読み取り、そのサイズに達するまでレコードを収集してから、新しい出力ファイルを開始できるため、実際にはそれが簡単になります。それがうまくいけば、ほとんどのプログラミング言語は短いスクリプトでタスクを処理できます。これがawkの実装です：

BEGIN {
    RS = "\n\n"
    ORS = "\n\n"
    maxlen = (maxlen == 0 ? 500000 : maxlen)
    oi = 1
}

{
    reclen = length($0) + 2
    if (n + reclen > maxlen) {
        oi++
        n = 0
    }
    n += reclen
    print $0 > FILENAME"."oi
}

これをファイルに入れ、たとえばprogram.awkとし、awk -v maxlen=10000 -f program.awk big_db.msgで実行します。ここで、maxlenの値は、1つのファイルで必要な最大バイト数です。デフォルトとして500kを使用します。

設定された数のファイルを取得する場合、おそらく最も簡単な方法は、入力ファイルのサイズを必要なファイル数で除算し、その数にビットを追加してmaxlenを取得することです。たとえば、8726593バイトから15個のファイルを取得するには、15で除算して581773を取得し、いくつかを追加します。したがって、maxlen=590000またはmaxlen=600000を指定します。これを繰り返し実行したい場合は、それを実行するようにプログラムを構成することができます。

0
David Z