Comment diviser un fichier texte volumineux en fichiers plus petits avec un nombre égal de lignes?

J'ai un grand fichier texte (en nombre de lignes) que je voudrais diviser en fichiers plus petits, également en nombre de lignes. Donc, si mon fichier contient environ 2 millions de lignes, je voudrais le diviser en 10 fichiers qui contiennent 200 000 lignes ou 100 fichiers qui contiennent 20 000 lignes (plus un fichier avec le reste; être également divisible n'a pas d'importance).

Je pourrais le faire assez facilement en Python, mais je me demande s'il existe un moyen ninja de le faire en utilisant des utilitaires bash et unix (par opposition aux boucles et aux lignes de comptage / partitionnement manuelles).

Avez-vous regardé la commande split?

$ split --help
Usage: split [OPTION] [INPUT [PREFIX]]
Output fixed-size pieces of INPUT to PREFIXaa, PREFIXab, ...; default
size is 1000 lines, and default PREFIX is `x'.  With no INPUT, or when INPUT
is -, read standard input.

Mandatory arguments to long options are mandatory for short options too.
  -a, --suffix-length=N   use suffixes of length N (default 2)
  -b, --bytes=SIZE        put SIZE bytes per output file
  -C, --line-bytes=SIZE   put at most SIZE bytes of lines per output file
  -d, --numeric-suffixes  use numeric suffixes instead of alphabetic
  -l, --lines=NUMBER      put NUMBER lines per output file
      --verbose           print a diagnostic to standard error just
                            before each output file is opened
      --help     display this help and exit
      --version  output version information and exit

Vous pourriez faire quelque chose comme ça:

split -l 200000 filename

qui va créer des fichiers contenant chacun 200000 lignes nommées xaa xab xac...

Une autre option, divisée par la taille du fichier de sortie (toujours divisée lors des sauts de ligne):

 split -C 20m --numeric-suffixes input_filename output_prefix

crée des fichiers comme output_prefix01 output_prefix02 output_prefix03 ...chacun d'une taille maximale de 20 mégaoctets.

Et la commande split ?

split -l 200000 mybigfile.txt

Oui, il y a une splitcommande. Il divisera un fichier par lignes ou octets.

$ split --help
Usage: split [OPTION]... [INPUT [PREFIX]]
Output fixed-size pieces of INPUT to PREFIXaa, PREFIXab, ...; default
size is 1000 lines, and default PREFIX is `x'.  With no INPUT, or when INPUT
is -, read standard input.

Mandatory arguments to long options are mandatory for short options too.
  -a, --suffix-length=N   use suffixes of length N (default 2)
  -b, --bytes=SIZE        put SIZE bytes per output file
  -C, --line-bytes=SIZE   put at most SIZE bytes of lines per output file
  -d, --numeric-suffixes  use numeric suffixes instead of alphabetic
  -l, --lines=NUMBER      put NUMBER lines per output file
      --verbose           print a diagnostic just before each
                            output file is opened
      --help     display this help and exit
      --version  output version information and exit

SIZE may have a multiplier suffix:
b 512, kB 1000, K 1024, MB 1000*1000, M 1024*1024,
GB 1000*1000*1000, G 1024*1024*1024, and so on for T, P, E, Z, Y.

utilisation split

Fractionner un fichier en morceaux de taille fixe, crée des fichiers de sortie contenant des sections consécutives de INPUT (entrée standard si aucune n'est donnée ou INPUT est `- ')

Syntax split [options] [INPUT [PREFIX]]

http://ss64.com/bash/split.html

Utilisation:

sed -n '1,100p' filename > output.txt

Ici, 1 et 100 sont les numéros de ligne dans lesquels vous allez capturer output.txt.

divisez le fichier "file.txt" en fichiers de 10000 lignes:

split -l 10000 file.txt

split(de GNU coreutils, depuis la version 8.8 du 22/12/2010 ) inclut le paramètre suivant:

-n, --number=CHUNKS     generate CHUNKS output files; see explanation below

CHUNKS may be:
  N       split into N files based on size of input
  K/N     output Kth of N to stdout
  l/N     split into N files without splitting lines/records
  l/K/N   output Kth of N to stdout without splitting lines/records
  r/N     like 'l' but use round robin distribution
  r/K/N   likewise but only output Kth of N to stdout

Ainsi, split -n 4 input output.générera quatre fichiers ( output.a{a,b,c,d}) avec la même quantité d'octets, mais les lignes peuvent être interrompues au milieu.

Si nous voulons conserver des lignes complètes (c'est-à-dire divisées par lignes), cela devrait fonctionner:

split -n l/4 input output.

Réponse connexe: https://stackoverflow.com/a/19031247

Dans le cas où vous souhaitez simplement diviser par x nombre de lignes chaque fichier, les réponses données splitsont correctes. Mais je suis curieux de savoir que personne n'a prêté attention aux exigences:

• "sans avoir à les compter" -> en utilisant wc + cut
• "avoir le reste dans un fichier supplémentaire" -> split fait par défaut

Je ne peux pas faire ça sans "wc + cut", mais j'utilise ça:

split -l  $(expr `wc $filename | cut -d ' ' -f3` / $chunks) $filename

Cela peut être facilement ajouté à vos fonctions bashrc afin que vous puissiez simplement l'invoquer en passant le nom de fichier et les morceaux:

 split -l  $(expr `wc $1 | cut -d ' ' -f3` / $2) $1

Dans le cas où vous ne voulez que x morceaux sans reste dans un fichier supplémentaire, adaptez simplement la formule pour la additionner (morceaux - 1) sur chaque fichier. J'utilise cette approche car généralement je veux juste x nombre de fichiers plutôt que x lignes par fichier:

split -l  $(expr `wc $1 | cut -d ' ' -f3` / $2 + `expr $2 - 1`) $1

Vous pouvez ajouter cela à un script et l'appeler votre "façon ninja", car si rien ne répond à vos besoins, vous pouvez le construire :-)

vous pouvez également utiliser awk

awk -vc=1 'NR%200000==0{++c}{print $0 > c".txt"}' largefile

HDFS getmerge petit fichier et déversé dans la taille de la propriété.

Cette méthode provoquera un saut de ligne

split -b 125m compact.file -d -a 3 compact_prefix

J'essaie d'obtenir et de diviser en environ 128 Mo chaque fichier.

# split into 128m ,judge sizeunit is M or G ,please test before use.

begainsize=`hdfs dfs -du -s -h /externaldata/$table_name/$date/ | awk '{ print $1}' `
sizeunit=`hdfs dfs -du -s -h /externaldata/$table_name/$date/ | awk '{ print $2}' `
if [ $sizeunit = "G" ];then
    res=$(printf "%.f" `echo "scale=5;$begainsize*8 "|bc`)
else
    res=$(printf "%.f" `echo "scale=5;$begainsize/128 "|bc`)  # celling ref http://blog.csdn.net/naiveloafer/article/details/8783518
fi
echo $res
# split into $res files with number suffix.  ref  http://blog.csdn.net/microzone/article/details/52839598
compact_file_name=$compact_file"_"
echo "compact_file_name :"$compact_file_name
split -n l/$res $basedir/$compact_file -d -a 3 $basedir/${compact_file_name}