我有一个大的(按行数)纯文本文件,我想把它分成更小的文件,也按行数。因此,如果我的文件有大约2M行,我想把它分成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;是否能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一种忍者方法来使用Bash和Unix实用程序(而不是手动循环和计数/分区行)。


当前回答

将一个大的文本文件分成1000行的小文件:

分裂<文件> -l 1000

使用实例将一个较大的二进制文件分割为多个10M大小的小文件。

split <file> -b

将多个文件合并为一个文件:

Cat x* > <文件>

拆分一个文件,每个拆分有10行(除了最后一个拆分):

Split -l 10文件名

将一个文件拆分为5个文件。文件被分割,使得每个分割都有相同的大小(除了最后一个分割):

Split -n 5文件名

每次分割一个512字节的文件(除了最后一次分割;千字节使用512k,兆字节使用512m):

Split -b 512 filename

拆分文件,每次拆分最多512字节,不断行:

split -C 512 filename

其他回答

HDFS getmerge小文件并分割成合适的大小。

这个方法会导致换行:

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

我尝试为每个文件getmerge和分割成大约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}

使用split命令:

split -l 200000 mybigfile.txt

split(来自GNU coreutils,从2010-12-22版本8.8开始)包含以下参数:

-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输入输出。将生成四个具有相同字节数的文件(output.a{a,b,c,d}),但行可能在中间被打断。

如果我们想保留完整的行(即按行分割),那么这应该是有效的:

split -n l/4 input output.

相关答案:https://stackoverflow.com/a/19031247

使用分割:

将文件分割为固定大小的片段,创建包含连续INPUT部分的输出文件(如果没有给定或INPUT为' -'则为标准输入)

语法split [options] [INPUT [PREFIX]]

Use:

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

这里,1和100是您将在output.txt中捕获的行号。