मेरे पास एक बहुत बड़ी फ़ाइल (~ 400 जीबी) है, और मुझे इसकी अंतिम 2 पंक्तियों को हटाने की आवश्यकता है। मैंने उपयोग करने की कोशिश की sed, लेकिन हार मानने से पहले यह घंटों तक चला। क्या ऐसा करने का कोई त्वरित तरीका है, या मैं इसके साथ फंस गया हूं sed?
जवाबों:
मैंने यह देखने के लिए एक बड़ी फ़ाइल पर कोशिश नहीं की है कि यह कितना तेज़ है, लेकिन यह काफी त्वरित होना चाहिए।
फ़ाइल के अंत से लाइनें हटाने के लिए स्क्रिप्ट का उपयोग करने के लिए:
./shorten.py 2 large_file.txt
यह फ़ाइल के अंत की तलाश करता है, यह सुनिश्चित करने के लिए जांच करता है कि अंतिम चरित्र एक नई रेखा है, फिर प्रत्येक चरित्र को एक बार पीछे की ओर जाते हुए पढ़ता है जब तक कि यह तीन नईलाइन्स नहीं मिल जाता है और उस बिंदु के ठीक बाद फ़ाइल को काट देता है। जगह में परिवर्तन किया जाता है।
संपादित करें: मैंने नीचे पायथन 2.4 संस्करण जोड़ा है।
यहाँ पायथन 2.5 / 2.6 के लिए एक संस्करण दिया गया है:
#!/usr/bin/env python2.5
from __future__ import with_statement
# also tested with Python 2.6
import os, sys
if len(sys.argv) != 3:
print sys.argv[0] + ": Invalid number of arguments."
print "Usage: " + sys.argv[0] + " linecount filename"
print "to remove linecount lines from the end of the file"
exit(2)
number = int(sys.argv[1])
file = sys.argv[2]
count = 0
with open(file,'r+b') as f:
f.seek(0, os.SEEK_END)
end = f.tell()
while f.tell() > 0:
f.seek(-1, os.SEEK_CUR)
char = f.read(1)
if char != '\n' and f.tell() == end:
print "No change: file does not end with a newline"
exit(1)
if char == '\n':
count += 1
if count == number + 1:
f.truncate()
print "Removed " + str(number) + " lines from end of file"
exit(0)
f.seek(-1, os.SEEK_CUR)
if count < number + 1:
print "No change: requested removal would leave empty file"
exit(3)
यहाँ एक पायथन 3 संस्करण है:
#!/usr/bin/env python3.0
import os, sys
if len(sys.argv) != 3:
print(sys.argv[0] + ": Invalid number of arguments.")
print ("Usage: " + sys.argv[0] + " linecount filename")
print ("to remove linecount lines from the end of the file")
exit(2)
number = int(sys.argv[1])
file = sys.argv[2]
count = 0
with open(file,'r+b', buffering=0) as f:
f.seek(0, os.SEEK_END)
end = f.tell()
while f.tell() > 0:
f.seek(-1, os.SEEK_CUR)
print(f.tell())
char = f.read(1)
if char != b'\n' and f.tell() == end:
print ("No change: file does not end with a newline")
exit(1)
if char == b'\n':
count += 1
if count == number + 1:
f.truncate()
print ("Removed " + str(number) + " lines from end of file")
exit(0)
f.seek(-1, os.SEEK_CUR)
if count < number + 1:
print("No change: requested removal would leave empty file")
exit(3)
यहाँ एक पायथन 2.4 संस्करण है:
#!/usr/bin/env python2.4
import sys
if len(sys.argv) != 3:
print sys.argv[0] + ": Invalid number of arguments."
print "Usage: " + sys.argv[0] + " linecount filename"
print "to remove linecount lines from the end of the file"
sys.exit(2)
number = int(sys.argv[1])
file = sys.argv[2]
count = 0
SEEK_CUR = 1
SEEK_END = 2
f = open(file,'r+b')
f.seek(0, SEEK_END)
end = f.tell()
while f.tell() > 0:
f.seek(-1, SEEK_CUR)
char = f.read(1)
if char != '\n' and f.tell() == end:
print "No change: file does not end with a newline"
f.close()
sys.exit(1)
if char == '\n':
count += 1
if count == number + 1:
f.truncate()
print "Removed " + str(number) + " lines from end of file"
f.close()
sys.exit(0)
f.seek(-1, SEEK_CUR)
if count < number + 1:
print "No change: requested removal would leave empty file"
f.close()
sys.exit(3)
आप GNU हेड को आज़मा सकते हैं
head -n -2 file
head: illegal line count -- -2
मैं अपने डेबियन स्क्वीज़ / परीक्षण प्रणाली (लेकिन लेनिन / स्थिर नहीं) को "कोरुटिल्स" पैकेज के हिस्से के रूप में "ट्रंकट" कमांड शामिल देखता हूं।
इसके साथ आप बस कुछ ऐसा कर सकते हैं
truncate --size=-160 myfile
फ़ाइल के अंत से 160 बाइट्स निकालने के लिए (जाहिर है आपको यह पता लगाने की आवश्यकता है कि आपको कितने वर्णों को निकालने की आवश्यकता है)।
ddस्क्रिप्ट ऐसा करेगी (आपको fe पिछले किलोबाइट प्राप्त करने के लिए इनपुट ऑफ़सेट निर्दिष्ट करने की आवश्यकता है और फिर उपयोग करें tail -2 | LANG= wc -c, या sth की तरह)।
tailबड़ी फ़ाइलों के लिए भी कुशल है, tail | wc -cबाइट्स की संख्या की गणना करने के लिए उपयोग किया जा सकता है।
सेड के साथ समस्या यह है कि यह एक स्ट्रीम एडिटर है - यह पूरी फाइल को प्रोसेस करेगा भले ही आप केवल अंत के पास संशोधन करना चाहते हैं। तो कोई बात नहीं, आप एक नई 400GB फाइल बना रहे हैं, लाइन बाय लाइन। कोई भी संपादक जो पूरी फ़ाइल पर काम करता है, उसे शायद यह समस्या होगी।
यदि आप लाइनों की संख्या जानते हैं, तो आप उपयोग कर सकते हैं head, लेकिन फिर से यह मौजूदा फ़ाइल को बदलने के बजाय एक नई फ़ाइल बनाता है। मुझे लगता है कि कार्रवाई की सादगी से आपको गति प्राप्त हो सकती है।
आपके पास फ़ाइल को छोटे टुकड़ों में तोड़ने, पिछले एक को संपादित करने और फिर उन्हें फिर से संयोजित करने के लिए उपयोग करने से बेहतर भाग्य हो सकता है , लेकिन मुझे यकीन नहीं है कि यह किसी भी बेहतर होगा। मैं लाइनों के बजाय बाइट काउंट्स का उपयोग करता हूं, अन्यथा यह शायद कोई तेज नहीं होगा - आप अभी भी एक नई 400GB फ़ाइल बनाने जा रहे हैं।splitcat
VIM की कोशिश करें ... मुझे यकीन नहीं है कि यह ट्रिक करेगा या नहीं, क्योंकि मैंने इसे इतनी बड़ी फाइल पर कभी इस्तेमाल नहीं किया है, लेकिन मैंने इसे अतीत में छोटी बड़ी फाइलों पर इस्तेमाल किया है।
किस प्रकार की फ़ाइल और किस प्रारूप में है? पेरल जैसी किसी चीज़ का उपयोग करना आसान हो सकता है यह किस तरह की फाइल पर निर्भर है - पाठ, ग्राफिक्स, बाइनरी? यह कैसे स्वरूपित है - CSV, TSV ...
यदि आप फ़ाइल का आकार बाइट को जानते हैं (400000000160 कहते हैं) और आप जानते हैं कि आपको अंतिम दो पंक्तियों को खींचने के लिए बिल्कुल 160 वर्णों को निकालने की आवश्यकता है, तो कुछ इस तरह
dd if=originalfile of=truncatedfile ibs=1 count=400000000000
चाल चलनी चाहिए। यह उम्र है क्योंकि मैंने गुस्से में dd का उपयोग किया है; मुझे याद है कि यदि आप एक बड़े ब्लॉक आकार का उपयोग करते हैं तो चीजें तेजी से आगे बढ़ती हैं, लेकिन क्या आप ऐसा कर सकते हैं जो इस बात पर निर्भर करता है कि क्या आप जिन लाइनों को छोड़ना चाहते हैं वे एक अच्छे मल्टीपल पर हैं।
dd के पास एक निश्चित आकार के लिए पाठ रिकॉर्ड को दर्ज करने के लिए कुछ अन्य विकल्प हैं जो प्रारंभिक पास के रूप में उपयोगी हो सकते हैं।
यदि आपके सिस्टम पर "ट्रंकट" कमांड उपलब्ध नहीं है (मेरा अन्य उत्तर देखें), सिस्टम कॉल के लिए "मैन 2 ट्रंकट" को एक निर्दिष्ट लंबाई में फ़ाइल को छोटा करने के लिए देखें।
स्पष्ट रूप से आपको यह जानने की जरूरत है कि फ़ाइल को ट्रंक करने के लिए आपको कितने वर्णों की आवश्यकता है (आकार की समस्या को दो पंक्तियों की लंबाई से घटाएं; किसी भी cr / lf वर्णों की गिनती करना न भूलें)।
और इससे पहले कि आप यह कोशिश करें फाइल का बैकअप बना लें!
यदि आप यूनिक्स-शैली समाधान पसंद करते हैं, तो आप कोड की तीन पंक्तियों (मैक और लिनक्स पर परीक्षण) का उपयोग करके बचत और इंटरैक्टिव लाइन ट्रंकेशन कर सकते हैं।
छोटे + सुरक्षित यूनिक्स-स्टाइल लाइन ट्रंकेशन (पुष्टि के लिए पूछता है):
n=2; file=test.csv; tail -n $n $file &&
read -p "truncate? (y/N)" -n1 key && [ "$key" == "y" ] &&
perl -e "truncate('$file', `wc -c <$file` - `tail -n $n $file | wc -c` )"
यह समाधान कुछ सामान्य यूनिक्स-उपकरणों पर निर्भर करता है, लेकिन फिर भी इसका perl -e "truncate(file,length)"निकटतम प्रतिस्थापन के रूप में उपयोग करता है truncate(1), जो सभी प्रणालियों पर उपलब्ध नहीं है।
आप निम्नलिखित व्यापक पुन: प्रयोज्य शेल प्रोग्राम का भी उपयोग कर सकते हैं, जो एक उपयोग जानकारी प्रदान करता है और ट्रंकेशन पुष्टिकरण, विकल्प पार्सिंग और त्रुटि हैंडलिंग सुविधाएँ प्रदान करता है।
व्यापक लाइन ट्रंकेशन स्क्रिप्ट :
#!/usr/bin/env bash
usage(){
cat <<-EOF
Usage: $0 [-n NUM] [-h] FILE
Options:
-n NUM number of lines to remove (default:1) from end of FILE
-h show this help
EOF
exit 1
}
num=1
for opt in $*; do case $opt in
-n) num=$2; shift;;
-h) usage; break;;
*) [ -f "$1" ] && file=$1; shift;;
esac done
[ -f "$file" ] || usage
bytes=`wc -c <$file`
size=`tail -n $num $file | wc -c`
echo "using perl 'truncate' to remove last $size of $bytes bytes:"
tail -n $num $file
read -p "truncate these lines? (y/N)" -n1 key && [ "$key" == "y" ] &&
perl -e "truncate('$file', $bytes - $size )"; echo ""
echo "new tail is:"; tail $file
यहाँ एक उदाहरण है:
$ cat data/test.csv
1 nice data
2 cool data
3 just data
GARBAGE to be removed (incl. empty lines above and below)
$ ./rmtail.sh -n 3 data/test.csv
using perl 'truncate' to remove last 60 of 96 bytes:
GARBAGE to be removed (incl. empty lines above and below)
truncate these lines? (y/N)y
new tail is:
1 nice data
2 cool data
3 just data
$ cat data/test.csv
1 nice data
2 cool data
3 just data
#! / Bin / श एड "$ 1" << यहाँ $ घ घ w यहाँ
जगह में परिवर्तन किए जाते हैं। यह अजगर लिपि की तुलना में सरल और अधिक कुशल है।
edमेरी पायथन स्क्रिप्ट की तुलना में निष्पादित करने में 100 गुना समय लगा। मैं केवल कल्पना कर सकता हूं कि ओपी की फाइल के लिए कितना अधिक अंतर होगा जो 7000 गुना बड़ा है।
इसी तरह की समस्या को हल करने के लिए स्वीकृत उत्तर को संशोधित किया। N लाइनों को हटाने के लिए थोड़ा घुमाया जा सकता है।
import os
def clean_up_last_line(file_path):
"""
cleanup last incomplete line from a file
helps with an unclean shutdown of a program that appends to a file
if \n is not the last character, remove the line
"""
with open(file_path, 'r+b') as f:
f.seek(0, os.SEEK_END)
while f.tell() > 0: ## current position is greater than zero
f.seek(-1, os.SEEK_CUR)
if f.read(1) == '\n':
f.truncate()
break
f.seek(-1, os.SEEK_CUR) ## don't quite understand why this has to be called again, but it doesn't work without it
और इसी परीक्षण:
import unittest
class CommonUtilsTest(unittest.TestCase):
def test_clean_up_last_line(self):
"""
remove the last incomplete line from a huge file
a line is incomplete if it does not end with a line feed
"""
file_path = '/tmp/test_remove_last_line.txt'
def compare_output(file_path, file_data, expected_output):
"""
run the same test on each input output pair
"""
with open(file_path, 'w') as f:
f.write(file_data)
utils.clean_up_last_line(file_path)
with open(file_path, 'r') as f:
file_data = f.read()
self.assertTrue(file_data == expected_output, file_data)
## test a multiline file
file_data = """1362358424445914,2013-03-03 16:53:44,34.5,151.16345879,b
1362358458954466,2013-03-03 16:54:18,34.5,3.0,b
1362358630923094,2013-03-03 16:57:10,34.5,50.0,b
136235"""
expected_output = """1362358424445914,2013-03-03 16:53:44,34.5,151.16345879,b
1362358458954466,2013-03-03 16:54:18,34.5,3.0,b
1362358630923094,2013-03-03 16:57:10,34.5,50.0,b
"""
compare_output(file_path, file_data, expected_output)
## test a file with no line break
file_data = u"""1362358424445914,2013-03-03 16:53:44,34.5,151.16345879,b"""
expected_output = "1362358424445914,2013-03-03 16:53:44,34.5,151.16345879,b"
compare_output(file_path, file_data, expected_output)
## test a file a leading line break
file_data = u"""\n1362358424445914,2013-03-03 16:53:44,34.5,151.16345879,b"""
expected_output = "\n"
compare_output(file_path, file_data, expected_output)
## test a file with one line break
file_data = u"""1362358424445914,2013-03-03 16:53:44,34.5,151.16345879,b\n"""
expected_output = """1362358424445914,2013-03-03 16:53:44,34.5,151.16345879,b\n"""
compare_output(file_path, file_data, expected_output)
os.remove(file_path)
if __name__ == '__main__':
unittest.main()
आप पूर्व मोड में विम का उपयोग कर सकते हैं:
ex -sc '-,d|x' file-, अंतिम 2 लाइनों का चयन करें
d हटाना
x सहेजें और बंद करें
head -n -2 file