如何将大文本文件拆分为行数相等的小文件？

Question

我有一个大的（按行数）纯文本文件，我想将它拆分成更小的文件，也按行数。因此，如果我的文件大约有 2M 行，我想将其拆分为 10 个包含 200k 行的文件，或 100 个包含 20k 行的文件（加上一个文件，其余部分；被均匀整除并不重要）。

我可以在 Python 中相当容易地做到这一点，但我想知道是否有任何忍者方法可以使用 Bash 和 Unix 实用程序来做到这一点（而不是手动循环和计算/分区行）。

Answer 1

看看拆分命令：

$ 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

你可以这样做：

split -l 200000 filename

这将创建包含 200000 行的文件，每个文件名为 xaa xab xac ...

另一个选项，按输出文件的大小拆分（仍然在换行符处拆分）：

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

创建像 output_prefix01 output_prefix02 output_prefix03 ... 这样的文件，每个文件最大大小为 20 兆字节。

Answer 2

使用split 命令：

split -l 200000 mybigfile.txt

Answer 3

是的，有一个split 命令。它将按行或字节分割文件。

$ 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.

Answer 4

使用split:

将文件拆分为固定大小的片段，创建包含连续 INPUT 部分的输出文件（如果没有给出标准输入或 INPUT 为 `-'，则为标准输入）

Syntax split [options] [INPUT [PREFIX]]

Answer 5

将文件“file.txt”拆分为 10,000 行文件：

split -l 10000 file.txt

Answer 6

用途：

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

这里，1 和 100 是您将在 output.txt 中捕获的行号。

Answer 7

split（来自 GNU coreutils，自 version 8.8 from 2010-12-22）包括以下参数：

-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

因此，split -n 4 input output. 将生成四个字节数相同的文件 (output.a{a,b,c,d})，但中间可能会出现断行。

如果我们想保留完整的行（即按行分割），那么这应该可行：

split -n l/4 input output.

相关回答：https://stackoverflow.com/a/19031247

Answer 8

你也可以使用AWK:

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

Answer 9

如果您只想将每个文件按 x 行拆分，则有关 split 的给定答案是可以的。但是，我很好奇为什么没有人关注这些要求：

• “无需计算”-> 使用 wc + cut
• “在额外文件中包含剩余部分”-> 默认情况下会拆分

没有“wc + cut”我无法做到这一点，但我正在使用它：

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

这可以很容易地添加到您的 .bashrc 文件函数中，因此您可以调用它，传递文件名和块：

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

如果您只希望额外文件中没有剩余的 x 块，只需调整公式以在每个文件上求和（块 - 1）。我确实使用这种方法，因为通常我只想要 x 个文件而不是每个文件 x 行：

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

您可以将其添加到脚本中并将其称为您的“忍者方式”，因为如果没有适合您的需求，您可以构建它:-)

Answer 10

HDFS getmerge 小文件并分割成合适的大小。

这种方法会导致换行：

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

我尝试 getmerge 并将每个文件拆分为大约 128 MB。

# Split into 128 MB, and 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 $res files with a number suffix. Ref:  http://blog.csdn.net/microzone/article/details/52839598
compact_file_name=$compact_file"_"
echo "compact_file_name: "$compact_file_name
split -n l/$res $basedir/$compact_file -d -a 3 $basedir/${compact_file_name}