一个脚本搞定文件合并去重，大数据处理，可以合并几个G以上的文件

问题：

先讲下需求，有若干个文本文件（txt或者csv文件等），每行代表一条数据，现在希望能合并成 1 个文本文件，且需要去除重复行。

分析：

一向奉行简单原则，如无必要，绝不复杂。

如果数据量不大，那么如下两条命令就可以搞定

合并：

cat a.txt >> new.txt
cat b.txt >> new.txt
……

去重：

cat new.txt | sort | uniq > outfile.txt

搞定，收工。

但是，但是，如果文本文件非常大，几个G大小怎么办？下面一个脚本可以搞定：

python脚本：（python2.7 和 python3.6 都试过，可以运行）

创建脚本（和 *.txt 放在同一个目录下）

# vimmerge_and_unique.py

#coding=utf-8
import os
import pandas as pd
import glob

outFileName = 'out_merged_result.csv'

def merge():
    txt_list = glob.glob('*.txt')
    print(u'共发现%s个txt文件！'% len(txt_list))
    print(u'开始合并：')
    for i in txt_list:
        fr = open(i,'r').read()
        with open(outFileName,'a') as f:
            f.write(fr)
    print(u'合并完毕！')


def unique(file):
    df = pd.read_csv(file, header=0, error_bad_lines=False, quotechar=None, quoting=3)
    dataList = df.drop_duplicates()
    dataList.to_csv(file)


if __name__ == '__main__':
    print(u'查找当前目录下的txt文件：')
    merge()
    print(u'开始去重：')
    unique(outFileName)
    print(u'去重完成！')

运行：

将merge_and_unique.py脚本和 *.txt 放在同一个目录下，执行

# python merge_and_unique.py 
查找当前目录下的txt文件
共发现5个txt文件
开始合并！
合并完毕！
开始去重！
sys:1: DtypeWarning: Columns (0,1,2) have mixed types.Specify dtype option on import or set low_memory=False.
去重完成！

#

说明：

如果报错，找不到pandas：

Traceback (most recent call last):
  File "merge_and_unique.py", line 3, in <module>
    import pandas as pd
ModuleNotFoundError: No module named 'pandas'

请pip安装pandas

pip install pandas

延伸：

1、如果一不小心，看了下上面的几行代码，会发现，不但可以运行txt的合并，csv的合并也是可以的。

2、如果数据数量达到百亿级别呢？可以试试hash每一行的值，然后再插入合并，有时间再写个脚本，一篇文章解决一个问题就好。