Как я могу удалить дубликаты строк из файла?

Question

У меня есть файл с одним столбцом. Как удалить повторяющиеся строки в файле?

Answer 1

В Unix / Linux используйте команду uniq согласно ответу Дэвида Локка или sort согласно комментарию Уильяма Перселла.

Если вам нужен скрипт на Python:

lines_seen = set() # holds lines already seen
outfile = open(outfilename, "w")
for line in open(infilename, "r"):
    if line not in lines_seen: # not a duplicate
        outfile.write(line)
        lines_seen.add(line)
outfile.close()

Обновление: Комбинация sort / uniq удалит дубликаты, но вернет файл с отсортированными строками, что может или не может быть тем, что вы хотите. Сценарий Python выше не будет переупорядочивать строки, а просто удалит дубликаты. Конечно, чтобы выполнить приведенный выше сценарий для сортировки, просто опустите outfile.write(line) и вместо этого сразу же после цикла выполните outfile.writelines(sorted(lines_seen)).

Answer 2

Если вы используете * nix, попробуйте выполнить следующую команду:

sort <file name> | uniq

Answer 3

uniqlines = set(open('/tmp/foo').readlines())

это даст вам список уникальных строк.

записать это обратно в какой-нибудь файл так же просто, как:

bar = open('/tmp/bar', 'w').writelines(set(uniqlines))

bar.close()

Answer 4

Это перефразировка того, что уже было сказано здесь - вот что я использую.

import optparse

def removeDups(inputfile, outputfile):
        lines=open(inputfile, 'r').readlines()
        lines_set = set(lines)
        out=open(outputfile, 'w')
        for line in lines_set:
                out.write(line)

def main():
        parser = optparse.OptionParser('usage %prog ' +\
                        '-i <inputfile> -o <outputfile>')
        parser.add_option('-i', dest='inputfile', type='string',
                        help='specify your input file')
        parser.add_option('-o', dest='outputfile', type='string',
                        help='specify your output file')
        (options, args) = parser.parse_args()
        inputfile = options.inputfile
        outputfile = options.outputfile
        if (inputfile == None) or (outputfile == None):
                print parser.usage
                exit(1)
        else:
                removeDups(inputfile, outputfile)

if __name__ == '__main__':
        main()

Answer 5

Вы можете сделать:

import os
os.system("awk '!x[$0]++' /path/to/file > /path/to/rem-dups")

Здесь вы используете bash в python:)

У вас есть и другой способ:

with open('/tmp/result.txt') as result:
        uniqlines = set(result.readlines())
        with open('/tmp/rmdup.txt', 'w') as rmdup:
            rmdup.writelines(set(uniqlines))

Answer 6

лайнеры Python One:

python -c "import sys; lines = sys.stdin.readlines(); print ''.join(sorted(set(lines)))" < InputFile > OutputFile

Answer 7

получить все ваши строки в списке и сделать набор строк, и все готово. например,

>>> x = ["line1","line2","line3","line2","line1"]
>>> list(set(x))
['line3', 'line2', 'line1']
>>>

и запишите содержимое обратно в файл.

Answer 8

Посмотрите на скрипт, который я создал, чтобы удалить дубликаты электронных писем из текстовых файлов. Надеюсь, это поможет!

# function to remove duplicate emails
def remove_duplicate():
    # opens emails.txt in r mode as one long string and assigns to var
    emails = open('emails.txt', 'r').read()
    # .split() removes excess whitespaces from str, return str as list
    emails = emails.split()
    # empty list to store non-duplicate e-mails
    clean_list = []
    # for loop to append non-duplicate emails to clean list
    for email in emails:
        if email not in clean_list:
            clean_list.append(email)
    return clean_list
    # close emails.txt file
    emails.close()
# assigns no_duplicate_emails.txt to variable below
no_duplicate_emails = open('no_duplicate_emails.txt', 'w')

# function to convert clean_list 'list' elements in to strings
for email in remove_duplicate():
    # .strip() method to remove commas
    email = email.strip(',')
    no_duplicate_emails.write(f"E-mail: {email}\n")
# close no_duplicate_emails.txt file
no_duplicate_emails.close()

Answer 9

добавив к ответу @David Locke, с * nix системами вы можете запустить

sort -u messy_file.txt > clean_file.txt

, который создаст clean_file.txt удаление дубликатов в алфавитном порядке.

Answer 10

Если кто-то ищет решение, которое использует хэширование и выглядит немного более кричащим, я сейчас использую следующее:

def remove_duplicate_lines(input_path, output_path):

    if os.path.isfile(output_path):
        raise OSError('File at {} (output file location) exists.'.format(output_path))

    with open(input_path, 'r') as input_file, open(output_path, 'w') as output_file:
        seen_lines = set()

        def add_line(line):
            seen_lines.add(line)
            return line

        output_file.writelines((add_line(line) for line in input_file
                                if line not in seen_lines))

Эта функция не совсем эффективна, поскольку хэш вычисляется дважды, однако я уверен, что значение кэшируется.