Come rimuovo tutte le righe di un file con meno di 6 caratteri?

Ho un file contenente circa 10 milioni di righe.

Voglio rimuovere tutte le righe nel file che sono meno di sei caratteri.

Come faccio a fare questo?

Ci sono molti modi per farlo.

Utilizzando grep:

grep -E '^.{6,}$' file.txt >out.txt

Ora out.txtconterrà righe con sei o più caratteri.

Modo inverso:

grep -vE '^.{,5}$' file.txt >out.txt

Utilizzo sed, rimozione di linee di lunghezza 5 o inferiore:

sed -r '/^.{,5}$/d' file.txt

Modo inverso, linee di stampa di lunghezza sei o più:

sed -nr '/^.{6,}$/p' file.txt 

È possibile salvare l'output in un altro file utilizzando un >operatore simile grepo modificare il file sul posto utilizzando l' -iopzione di sed:

sed -ri.bak '/^.{6,}$/' file.txt 

Verrà eseguito il backup del file originale così come file.txt.baklo sarà il file modificato file.txt.

Se non si desidera conservare un backup:

sed -ri '/^.{6,}$/' file.txt

Utilizzando shell, Slower, Non farlo , questo è solo per il gusto di mostrare un altro metodo:

while IFS= read -r line; do [ "${#line}" -ge 6 ] && echo "$line"; done <file.txt

Utilizzando python, anche più lento di grep, sed:

#!/usr/bin/env python2
with open('file.txt') as f:
    for line in f:
        if len(line.rstrip('\n')) >= 6:
            print line.rstrip('\n')

Meglio usare la comprensione dell'elenco per essere più Pythonic:

#!/usr/bin/env python2
with open('file.txt') as f:
     strip = str.rstrip
     print '\n'.join([line for line in f if len(strip(line, '\n')) >= 6]).rstrip('\n')

È molto semplice:

grep ...... inputfile > resultfile   #There are 6 dots

Questo è estremamente efficiente, in quanto grepnon tenterà di analizzare più del necessario, né di interpretare i caratteri in alcun modo: invia semplicemente una (intera) linea a stdout (che la shell reindirizza quindi al file dei risultati) non appena ha visto 6 caratteri su quella riga ( .in un contesto regexp corrisponde a 1 carattere qualsiasi).

Quindi grep produrrà solo linee con 6 (o più) caratteri, e gli altri non vengono emessi da grep in modo che non riescano a ottenere il risultato.

Soluzione n. 1: utilizzo di C

Il modo più veloce: compilare ed eseguire questo programma C:

#include <stdio.h>
#include <stdlib.h>
#include <string.h>

#define MAX_BUFFER_SIZE 1000000

int main(int argc, char *argv[]) {
    int length;

    if(argc == 3)
        length = atoi(argv[2]);
    else
        return 1;

    FILE *file = fopen(argv[1], "r");

    if(file != NULL) {
        char line[MAX_BUFFER_SIZE];

        while(fgets(line, sizeof line, file) != NULL) {
            char *pos;

            if((pos = strchr(line, '\n')) != NULL)
                *pos = '\0';
            if(strlen(line) >= length)
                printf("%s\n", line);
        }

        fclose(file);
    }
    else {
        perror(argv[1]);
        return 1;
    }

    return 0;
}

Compila gcc program.c -o program, esegui con ./program file line_length(dove file= percorso del file e line_length= lunghezza minima della riga, nel tuo caso6 ; la lunghezza massima della riga è limitata ai 1000000caratteri per riga; puoi cambiarla cambiando il valore di MAX_BUFFER_SIZE).

(Trucco per sostituire \ncon \0trovato qui .)

Confronto con tutte le altre soluzioni proposte a questa domanda tranne la soluzione shell (test eseguito su un file di ~ 91MB con linee da 10M con una lunghezza media di 8 caratteri):

time ./foo file 6

real    0m1.592s
user    0m0.712s
sys 0m0.160s

time grep ...... file

real    0m1.945s
user    0m0.912s
sys 0m0.176s

time grep -E '^.{6,}$'

real    0m2.178s
user    0m1.124s
sys 0m0.152s

time awk 'length>=6' file

real    0m2.261s
user    0m1.228s
sys 0m0.160s

time perl -lne 'length>=6&&print' file

real    0m4.252s
user    0m3.220s
sys 0m0.164s

sed -r '/^.{,5}$/d' file >out

real    0m7.947s
user    0m7.064s
sys 0m0.120s

./script.py >out
real    0m8.154s
user    0m7.184s
sys 0m0.164s

Soluzione n. 2: utilizzando AWK:

awk 'length>=6' file

• length>=6: se length>=6restituisce VERO, stampa il record corrente.

Soluzione n. 3: utilizzando Perl:

perl -lne 'length>=6&&print' file

• Se lenght>=6restituisce VERO, stampa il record corrente.

% cat file
a
bb
ccc
dddd
eeeee
ffffff
ggggggg
% ./foo file 6
ffffff
ggggggg
% awk 'length>=6' file   
ffffff
ggggggg
% perl -lne 'length>=6&&print' file
ffffff
ggggggg

Puoi usare Vim in modalità Ex:

ex -sc 'v/\v.{6}/d' -cx file

1. \v accendi la magia

2. .{6} trova righe con 6 o più caratteri

3. v inverti selezione

4. d Elimina

5. x salva e chiudi

Soluzione ruby:

$ cat input.txt                                                                                                          
abcdef
abc
abcdefghijk

$ ruby -ne 'puts $_ if $_.chomp.length() >= 6 ' < input.txt                                                              
abcdef
abcdefghijk

Idea semplice: reindirizzare il file nello stdin di Ruby e stampare la linea dallo stdin solo se è maggiore o uguale a 6