我熟悉 linux 中的 split 命令。如果我有一个 100 行长的文件，
split -l 5 myfile.txt
...将 myfile.txt 拆分为 20 个文件，每个文件有 5 行，并将它们写入文件。
我的问题是，我想按列执行此操作。给定一个有 100 列、制表符分隔的文件，是否有类似的命令可以将此文件拆分为 20 个较小的文件，每个文件有 5 列和所有行？
我知道如何使用 cut，但我希望有一个我从未听说过的简单 UNIX 命令可以在不使用 perl 或其他东西包装 cut 的情况下完成此操作。
提前致谢。
【问题讨论】：
#!/bin/bash
(($# == 2)) || { echo -e "\nUsage: $0 <file to split> <# columns in each split>\n\n"; exit; }
infile="$1"
inc=$2
ncol=$(awk 'NR==1{print NF}' "$infile")
((inc < ncol)) || { echo -e "\nSplit size >= number of columns\n\n"; exit; }
for((i=0, start=1, end=$inc; i < ncol/inc + 1; i++, start+=inc, end+=inc)); do
cut -f$start-$end "$infile" > "${infile}.$i"
done
【讨论】：
for 参数中的美元符号减去 0.02，infile 周围的花括号减去 0.02，使用 AWK 而不是 read -r -a arr < "$infile"; ncol=${#arr[@]} 之类的东西减去 0.04，@ 也减去 0.02 987654325@ 而不是 printf.) ;)
如果您只需要一个 QAD（Quick & Dirty）解决方案，在我的情况下是一个固定的 8 列；分隔的csv
#!/bin/bash
# delimiter is ;
cut -d';' -f1 "$1" > "${1}.1"
cut -d';' -f2 "$1" > "${1}.2"
cut -d';' -f3 "$1" > "${1}.3"
cut -d';' -f4 "$1" > "${1}.4"
cut -d';' -f5 "$1" > "${1}.5"
cut -d';' -f6 "$1" > "${1}.6"
cut -d';' -f7 "$1" > "${1}.7"
cut -d';' -f8 "$1" > "${1}.8"
【讨论】：
感谢您的帮助。我希望有一个类似于 split 的 unix 命令，但我最终通过 SiegeX 的建议用 perl 包装了 cut 命令。
#!/usr/bin/perl
chomp(my $pwd = `pwd`);
my $help = "\nUsage: $0 <file to split> <# columns in each split>\n\n";
die $help if @ARGV!=2;
$infile = $ARGV[0];
chomp($ncol = `head -n 1 $infile | wc -w`);
$start=1;
$inc = $ARGV[1];
$end = $start+$inc-1;
die "\nSplit size >= number of columns\n\n" if $inc>=$ncol;
for($i=1 ; $i<$ncol/$inc +1 ; $i++) {
if ($end>$ncol) {$end=$ncol;}
`cut -f $start-$end $infile > $infile.$i`;
$start += $inc;
$end += $inc;
}
【讨论】：
# do something smarter with output files (& clear on start)
XIFS="${IFS}"
IFS=$'\t'
while read -a LINE; do
for (( i=0; i< ${#LINE[@]}; i++ )); do
echo "${LINE[$i]}" >> /tmp/outfile${i}
done
done < infile
IFS="${XIFS}"
试试上面的...使用文件名'infile'
注意 IFS 的保存和恢复（有没有人有更好的主意？子外壳？）
另请注意，如果您第二次运行 - 您会想要删除之前运行的输出...
【讨论】：
while IFS=$'\t' read -a LINE; do
这里有我的解决方案：
首先是一个输入生成器：
1 #!/usr/bin/env ruby
2 #
3 def usage(e)
4 puts "Usage #{__FILE__} <n_rows> <n_cols>"
5 exit e
6 end
7
8 usage 1 unless ARGV.size == 2
9
10 rows, cols = ARGV.map{|e| e.to_i}
11 (1..rows).each do |l|
12 (1..cols).each {|c| printf "%s ", c }
13 puts ""
14 end
分割工具：
1 #!/usr/bin/env ruby
2 #
3
4 def usage(e)
5 puts "Usage #{__FILE__} <column_start> <column_end>"
6 exit e
7 end
8
9 usage 1 unless ARGV.size == 2
10
11 c_start, c_end = ARGV.map{|e| e.to_i}
12 i = 0
13 buffer = []
14 $stdin.each_line do |l|
15 i += 1
16 buffer << l.split[c_start..c_end].join(" ")
17 $stderr.printf "\r%d", i if i % 100000 == 0
18 end
19 $stderr.puts ""
20 buffer.each {|l| puts l}
请注意，拆分工具会将 number 的值转储到 stderr 它正在处理中，因此您可以了解运行速度。
另外，我假设分隔符是一个空格。
如何运行它的示例：
$ time ./gen.data.rb 1000 10 | ./split.rb 0 4 > ./out
生成 1000 行，每行 10 列，然后拆分前 5 列。我用时间(1) 测量运行时间。
我们可以使用一个小的 oneliner 来完成您要求的拆分（按顺序）。这个很 易于在单个节点中并行处理它（检查 bash 构建命令等待）或 将它们发送到集群。
$ ruby -e '(0..103).each {|i| puts "cat input.txt | ./split.rb #{i-4} #{i} > out.#{i/4}" if i % 4 == 0 && i > 0}' | /bin/bash
基本上会生成：
cat input.txt | ./split.rb 0 4 > out.1
cat input.txt | ./split.rb 4 8 > out.2
cat input.txt | ./split.rb 8 12 > out.3
cat input.txt | ./split.rb 12 16 > out.4
cat input.txt | ./split.rb 16 20 > out.5
cat input.txt | ./split.rb 20 24 > out.6
cat input.txt | ./split.rb 24 28 > out.7
cat input.txt | ./split.rb 28 32 > out.8
cat input.txt | ./split.rb 32 36 > out.9
cat input.txt | ./split.rb 36 40 > out.10
cat input.txt | ./split.rb 40 44 > out.11
cat input.txt | ./split.rb 44 48 > out.12
cat input.txt | ./split.rb 48 52 > out.13
cat input.txt | ./split.rb 52 56 > out.14
cat input.txt | ./split.rb 56 60 > out.15
cat input.txt | ./split.rb 60 64 > out.16
cat input.txt | ./split.rb 64 68 > out.17
cat input.txt | ./split.rb 68 72 > out.18
cat input.txt | ./split.rb 72 76 > out.19
cat input.txt | ./split.rb 76 80 > out.20
cat input.txt | ./split.rb 80 84 > out.21
cat input.txt | ./split.rb 84 88 > out.22
cat input.txt | ./split.rb 88 92 > out.23
cat input.txt | ./split.rb 92 96 > out.24
cat input.txt | ./split.rb 96 100 > out.25
然后通过管道传输到 bash。
请注意您并行计算的进程（或作业）的数量，因为它会淹没您的 存储（除非您有独立的存储卷）。
希望对您有所帮助。让我们知道它对您的运行速度。
-drd
【讨论】：
Split 可以做你想做的事，只需要一点预处理
sed -E $'s/(([^\t]+\t){4}[^\t]+)\t/\\1\\n/g' myfile.txt | split -nr/20
这将写出 20 个带有 x 前缀的文件（在我的 split 版本中）。您可以验证这是否有效：
paste x* | cmp - myfile.txt
本质上，这是使用sed 将每一行拆分为二十行，然后使用带有循环块的拆分将每一行写入适当的文件。要使用不同的分隔符，请切换表达式中的制表符。数字 4 应该是每个文件的列数 - 1，拆分末尾的 20 是文件数。 split 的附加参数可用于修改写入的文件名。此示例使用 bashes 转义扩展将制表符写入 sed 表达式和可以使用 + 运算符的 sed 版本，但如果您的系统上不存在这些效果，则可以通过其他方式实现这些效果。
我在 coreutils 邮件列表上从 Reuti 获得了这个解决方案的一个变体。
【讨论】：
没有直接类似的东西会按列拆分您的文件。但是，您可以直接使用 AWK：
以下在包含NUMBER 列的输出文件中拆分input_file
awk 'BEGIN{FS="\t"; m=NUMBER }
{ for(i=1;i<=NF;++i) {
s = (i%m==1 ? $i : s FS $i);
if (i%m==0 || i==NF) {print s > (sprintf("out.%0.5d",int(i/m)+(i%m!=0)))}
}}' input_file
以下将input_file 拆分为CHUNKS 输出文件
awk 'BEGIN{FS="\t"; n=CHUNKS}
(NR==1){ m=int(NF/n)+(NF%n==0) }
{ for(i=1;i<=NF;++i) {
s = (i%m==1 ? $i : s FS $i);
if (i%m==0 || i==NF) {print s > (sprintf("out.%0.5d",int(i/m)+(i%m!=0)))}
}}' input_file
【讨论】：