Файл a.txt имеет около 100 тыс. слов, каждое слово находится в новой строке
july.cpp
windows.exe
ttm.rar
document.zip
Файл b.txt имеет 150k слов, одно слово за строкой - некоторые слова из файла a.txt, но некоторые слова новы:
july.cpp
NOVEMBER.txt
windows.exe
ttm.rar
document.zip
diary.txt
Как объединить эти файлы в один, удалить все повторяющиеся строки и сохранить новые строки (строки, которые существуют в a.txt, но не существуют в b.txt и наоборот)?
Для этого есть команда: comm. Как указано в man comm, это просто:
comm -3 file1 file2
Print lines in file1 not in file2, and vice versa.
Обратите внимание, что comm ожидает, что содержимое файлов будет отсортировано, поэтому вы должны отсортировать их перед вызовом comm на них, точно так же :
sort unsorted-file.txt > sorted-file.txt
Итак, чтобы подвести итог:
sort a.txt > as.txt
sort b.txt > bs.txt
comm -3 as.txt bs.txt > result.txt
После вышеприведенных команд у вас будут ожидаемые строки в файле result.txt.
Вот короткий скрипт python3, основанный на ответе Джермера, который должен выполнить это, сохранив несортированный порядок b.txt.
#!/usr/bin/python3
with open('a.txt', 'r') as afile:
a = set(line.rstrip('\n') for line in afile)
with open('b.txt', 'r') as bfile:
for line in bfile:
line = line.rstrip('\n')
if line not in a:
print(line)
# Uncomment the following if you also want to remove duplicates:
# a.add(line)
Посмотрите на команду coreutils comm - man comm
NAME
comm - compare two sorted files line by line
SYNOPSIS
comm [OPTION]... FILE1 FILE2
DESCRIPTION
Compare sorted files FILE1 and FILE2 line by line.
With no options, produce three-column output. Column one contains
lines unique to FILE1, column two contains lines unique to FILE2, and
column three contains lines common to both files.
-1 suppress column 1 (lines unique to FILE1)
-2 suppress column 2 (lines unique to FILE2)
-3 suppress column 3 (lines that appear in both files)
Так, например, вы можете сделать
$ comm -13 <(sort a.txt) <(sort b.txt)
diary.txt
NOVEMBER.txt
(строки, уникальные для b.txt )