如何按数量百分比分割文件。线数?

问题描述 投票:0回答:7

如何按数量百分比分割文件。线?

假设我想将文件分成 3 部分(60%/20%/20% 部分),我可以手动执行此操作,-_- :

$ wc -l brown.txt 
57339 brown.txt

$ bc <<< "57339 / 10 * 6"
34398
$ bc <<< "57339 / 10 * 2"
11466
$ bc <<< "34398 + 11466"
45864
bc <<< "34398 + 11466 + 11475"
57339

$ head -n 34398 brown.txt > part1.txt
$ sed -n 34399,45864p brown.txt > part2.txt
$ sed -n 45865,57339p brown.txt > part3.txt
$ wc -l part*.txt
   34398 part1.txt
   11466 part2.txt
   11475 part3.txt
   57339 total

但我确信有更好的方法!

bash file awk sed split
7个回答
11
投票

有一个实用程序将行号作为参数,该行号应成为每个新文件的第一个:

csplit
。这是其 POSIX 版本的包装:

#!/bin/bash

usage () {
    printf '%s\n' "${0##*/} [-ks] [-f prefix] [-n number] file arg1..." >&2
}

# Collect csplit options
while getopts "ksf:n:" opt; do
    case "$opt" in
        k|s) args+=(-"$opt") ;;           # k: no remove on error, s: silent
        f|n) args+=(-"$opt" "$OPTARG") ;; # f: filename prefix, n: digits in number
        *) usage; exit 1 ;;
    esac
done
shift $(( OPTIND - 1 ))

fname=$1
shift
ratios=("$@")

len=$(wc -l < "$fname")

# Sum of ratios and array of cumulative ratios
for ratio in "${ratios[@]}"; do
    (( total += ratio ))
    cumsums+=("$total")
done

# Don't need the last element
unset cumsums[-1]

# Array of numbers of first line in each split file
for sum in "${cumsums[@]}"; do
    linenums+=( $(( sum * len / total + 1 )) )
done

csplit "${args[@]}" "$fname" "${linenums[@]}"

在要分割的文件的名称之后,它采用分割文件的大小相对于其总和的比率,即

percsplit brown.txt 60 20 20
percsplit brown.txt 6 2 2
percsplit brown.txt 3 1 1

都是等价的。

与问题中的情况类似的用法如下:

$ percsplit -s -f part -n 1 brown.txt 60 20 20
$ wc -l part*
 34403 part0
 11468 part1
 11468 part2
 57339 total

编号从零开始,并且没有

txt
扩展名。 GNU 版本 支持
--suffix-format
选项,该选项允许
.txt
扩展,并且可以将其添加到接受的参数中,但这需要比
getopts
更复杂的东西来解析它们。

此解决方案适用于非常短的文件(将两行文件分成两部分),并且繁重的工作由

csplit
本身完成。


9
投票
$ cat file
a
b
c
d
e

$ cat tst.awk
BEGIN {
    split(pcts,p)
    nrs[1]
    for (i=1; i in p; i++) {
        pct += p[i]
        nrs[int(size * pct / 100) + 1]
    }
}
NR in nrs{ close(out); out = "part" ++fileNr ".txt" }
{ print $0 " > " out }

$ awk -v size=$(wc -l < file) -v pcts="60 20 20" -f tst.awk file
a > part1.txt
b > part1.txt
c > part1.txt
d > part2.txt
e > part3.txt

" > "
更改为
>
以实际写入输出文件。


3
投票

使用方法

以下 bash 脚本允许您指定百分比,例如

./split.sh brown.txt 60 20 20

您还可以使用占位符

.
,将百分比填充到100%。

./split.sh brown.txt 60 20 .

分割后的文件被写入

part1-brown.txt
part2-brown.txt
part3-brown.txt

脚本始终生成与指定数量一样多的

part
文件。 如果百分比总和为 100,
cat part*
将始终生成原始文件(没有重复或丢失的行)。

Bash 脚本:split.sh

#! /bin/bash

file="$1"
fileLength=$(wc -l < "$file")
shift

part=1
percentSum=0
currentLine=1
for percent in "$@"; do
        [ "$percent" == "." ] && ((percent = 100 - percentSum)) 
        ((percentSum += percent))
        if ((percent < 0 || percentSum > 100)); then
                echo "invalid percentage" 1>&2
                exit 1
        fi
        ((nextLine = fileLength * percentSum / 100))
        if ((nextLine < currentLine)); then
                printf "" # create empty file
        else
                sed -n "$currentLine,$nextLine"p "$file"
        fi > "part$part-$file"
        ((currentLine = nextLine + 1))
        ((part++))
done

1
投票
BEGIN {
    split(w, weight)
    total = 0
    for (i in weight) {
        weight[i] += total
        total = weight[i]
    }
}
FNR == 1 {
    if (NR!=1) {
        write_partitioned_files(weight,a)
        split("",a,":") #empty a portably
    }
    name=FILENAME
}
{a[FNR]=$0}
END {
    write_partitioned_files(weight,a)
}
function write_partitioned_files(weight, a) {
    split("",threshold,":")
    size = length(a)
    for (i in weight){
        threshold[length(threshold)] = int((size * weight[i] / total)+0.5)+1
    }
    l=1
    part=0
    for (i in threshold) {
        close(out)
        out = name ".part" ++part
        for (;l<threshold[i];l++) {
            print a[l] " > " out 
        }
    }
}

调用为:

awk -v w="60 20 20" -f above_script.awk file_to_split1 file_to_split2 ...

将脚本中的

" > "
替换为
>
即可实际写入分区文件。

变量

w
需要空格分隔的数字。文件按该比例分区。例如
"2 1 1 3"
会将文件分成四份,行数比例为 2:1:1:3。任何加起来等于 100 的数字序列都可以用作百分比。

对于大文件,数组

a
可能会消耗太多内存。如果这是一个问题,这里有一个替代的
awk
脚本:

BEGIN {
    split(w, weight)
    for (i in weight) {
        total += weight[i]; weight[i] = total #cumulative sum
    }
}
FNR == 1 {
    #get number of lines. take care of single quotes in filename.
    name = gensub("'", "'\"'\"'", "g", FILENAME)
    "wc -l '" name "'" | getline size

    split("", threshold, ":")
    for (i in weight){
        threshold[length(threshold)+1] = int((size * weight[i] / total)+0.5)+1
    }

    part=1; close(out); out = FILENAME ".part" part
}
{
    if(FNR>=threshold[part]) {
        close(out); out = FILENAME ".part" ++part
    }
    print $0 " > " out 
}

这会遍历每个文件两次。一次用于计算行数(通过

wc -l
),另一次用于写入分区文件。调用和效果与第一种方法类似。


1
投票

我喜欢Benjamin W.的

csplit
解决方案,但它太长了......

#!/bin/bash
# usage ./splitpercs.sh file 60 20 20
n=`wc -l <"$1"` || exit 1
echo $* | tr ' ' '\n' | tail -n+2 | head -n`expr $# - 1` |
  awk -v n=$n 'BEGIN{r=1} {r+=n*$0/100; if(r > 1 && r < n){printf "%d\n",r}}' |
  uniq | xargs csplit -sfpart "$1"

if(r > 1 && r < n)
uniq
位是为了防止创建空文件或小百分比、行数较少的文件或百分比超过 100 的奇怪行为。)


1
投票

我只是按照您的指导,将您手动执行的操作写入脚本中。 它可能不是最快或“最好”的,但如果您了解自己现在在做什么并且可以将其“脚本化”,那么如果您需要维护它,情况可能会更好。

#!/bin/bash

#  thisScript.sh  yourfile.txt  20 50 10 20

YOURFILE=$1
shift

# changed to cat | wc so I dont have to remove the filename which comes from
# wc -l
LINES=$(cat $YOURFILE | wc -l ) 

startpct=0;
PART=1;
for pct in $@
do
  # I am assuming that each parameter is on top of the last
  # so   10 30 10   would become 10, 10+30 = 40, 10+30+10 = 50, ...
  endpct=$( echo "$startpct + $pct" | bc)  

  # your math but changed parts of 100 instead of parts of 10.
  #  change bc <<< to echo "..." | bc 
  #  so that one can capture the output into a bash variable.
  FIRSTLINE=$( echo "$LINES * $startpct / 100 + 1" | bc )
  LASTLINE=$( echo "$LINES * $endpct / 100" | bc )

  # use sed every time because the special case for head
  # doesn't really help performance.
  sed -n $FIRSTLINE,${LASTLINE}p $YOURFILE > part${PART}.txt
  $((PART++))
  startpct=$endpct
done

# get the rest if the % dont add to 100%
if [[ $( "lastpct < 100" | bc ) -gt 0 ]] ; then
   sed -n $FIRSTLINE,${LASTLINE}p $YOURFILE > part${PART}.txt
fi

wc -l part*.txt

0
投票

其实有一个简单的方法:

vim -c "exe 'norm 20%' | 1,. w! >> 1_tmp_01.csv | q!" 1_db.csv
vim -c "exe 'norm 20%' | exe 'norm j' | exe 'norm ma' | exe 'norm 40%' | exe 'norm mb' | 'a,'b w! >> 1_tmp_02.csv | q!" 1_db.csv
vim -c "exe 'norm 40%' | exe 'norm j' | exe 'norm ma' | exe 'norm 60%' | exe 'norm mb' | 'a,'b w! >> 1_tmp_03.csv | q!" 1_db.csv
vim -c "exe 'norm 60%' | exe 'norm j' | exe 'norm ma' | exe 'norm 80%' | exe 'norm mb' | 'a,'b w! >> 1_tmp_04.csv | q!" 1_db.csv
vim -c "exe 'norm 80%' | exe 'norm j' | .,$ w! >> 1_tmp_05.csv | q!" 1_db.csv.   

我不确定 vim 作为一个工具是否会受到威胁,但对我来说它可以完成这项工作。

© www.soinside.com 2019 - 2024. All rights reserved.