我有1600万行数据文件，正在将其用作回归测试/重播工具的一部分。数据有很多相似的行。我想从文件中删除许多类似的行
文件格式
|DATA|DATA|DATE|3|DATA|DATA
|DATA|DATA|DATE|3|DATA|DATA
|DATA|DATA|DATE|3|DATA|DATA
|DATA|DATA|DATE|2|DATA|DATA
|DATA|DATA|DATE|4|DATA|DATA
|DATA|DATA|DATE|2|DATA|DATA
|DATA|DATA|DATE|2|DATA|DATA
该文件为1600万行，带有2、3或10的第4个元素的行组成1300万行。第2个元素，第2个，第3个或第10个元素的行彼此相似，因此我想从文件中删掉它们的90％。为了获得一些消息类型的计数，我能够运行此命令以找到第4个元素为3的所有行
awk -F"|" '$4=="3"' capture.txt > out.txt
那条线是我用来确定最常见消息的可重复性的方式，但是它并没有帮助我删节那些记录。我真正想要的是能够创建一个新文件，其中包括
(All records where pipe deliminated 4th element is not 2, 3 or 10) +
(1 out of every 10 records where the 4th element is 2, 3 or 10)
通过文件一次可以做到这一点吗？我想我可以创建两个文件，将第4个元素分别为2、3或10的记录与具有不同第4个元素的记录分开。然后，我可能会从一个文件中删除第10行，然后将它们组合在一起。但我真正的偏好是一次性完成此操作并保留原始文件顺序。
有什么想法吗？
也许随机方法会更好。
awk -F'|' 'BEGIN{srand()} $5~/^(2|3|10)$/{if(rand()<0.1) print; next}1' file
将有大约10％的机会打印这些行，您可以设置一个种子使其也可重复。请注意，您应该检查的是第五字段，而不是第四字段。
本文收集自互联网，转载请注明来源。
如有侵权，请联系 [email protected] 删除。
我来说两句