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
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}
其他回答
如果你只是想用x行数来分割每个文件，给出的关于分割的答案是可以的。但是，我很好奇为什么没有人关注这些要求:
"without have to count them" ->使用wc + cut "有剩余的额外文件" ->分裂默认情况下
我不能没有“wc + cut”，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你的.bashrc文件函数中，所以你可以调用它，传递文件名和块:
split -l $(expr `wc $1 | cut -d ' ' -f3` / $2) $1
如果您想在额外的文件中只有x个块而没有余数，只需调整公式对每个文件进行求和(chunks - 1)。我确实使用这种方法，因为通常我只想要x个文件数量，而不是每个文件x行:
split -l $(expr `wc $1 | cut -d ' ' -f3` / $2 + `expr $2 - 1`) $1
你可以把它添加到一个脚本，并称之为你的“忍者方式”，因为如果没有适合你的需求，你可以构建它:-)
Use:
sed -n '1,100p' filename > output.txt
这里，1和100是您将在output.txt中捕获的行号。
这里有一个例子，把文件“toSplit.txt”分成200行小文件“splited00.txt”，splited01.txt，…"splited25.txt"…
split -l 200——numeric-suffix——additional-suffix=".txt
HDFS getmerge小文件并分割成合适的大小。
这个方法会导致换行:
split -b 125m compact.file -d -a 3 compact_prefix
我尝试为每个文件getmerge和分割成大约128 MB。
# Split into 128 MB, and judge sizeunit is M or G. Please test before use.
begainsize=`hdfs dfs -du -s -h /externaldata/$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}
你也可以使用AWK:
awk -vc=1 'NR%200000==0{++c}{print $0 > c".txt"}' largefile
