如何对文件进行子集化 - 选择多个行或列

Question

我希望获得您关于如何对大文件（数百万行或数百万行）进行子集化的建议/帮助。

例如，

（1） 我有一个大文件（数百万行，制表符分隔）。我想要此文件的子集，其中仅包含 10000 到 100000 行。

(2) 我有一个大文件（数百万列，制表符分隔）。我想要这个文件的一个子集，其中只有从 10000 到 100000 的列。

我知道有诸如 head、tail、cut、split 以及 awk 或 sed 之类的工具。我可以用它们来做简单的子集设置。但是，我不知道如何做这项工作。

您能给什么建议吗？提前致谢。

Answer 1

过滤行很容易，例如使用 AWK：

cat largefile | awk 'NR >= 10000  && NR <= 100000 { print }'

使用 CUT 过滤列更容易：

cat largefile | cut -d '\t' -f 10000-100000

正如 Rahul Dravid 提到的，cat 在这里不是必须的，正如 Zsolt Botykai 所补充的，您可以使用以下方法提高性能：

awk 'NR > 100000 { exit } NR >= 10000 && NR <= 100000' largefile
cut -d '\t' -f 10000-100000 largefile 

Answer 2

一些不同的解决方案：

对于行范围：
在 sed 中：

sed -n 10000,100000p somefile.txt

对于 awk 中的列范围：

awk -v f=10000 -v t=100000 '{ for (i=f; i<=t;i++) printf("%s%s", $i,(i==t) ? "\n" : OFS) }' details.txt

Answer 3

对于第一个问题，从一个大文件中选择一组行，从尾部到头部进行管道传输非常简单。您需要从第 10000 行开始的大型文件中的 90000 行。tail 抓取从第 10000 行开始的大型文件的后端，然后 head 砍掉除前 90000 行之外的所有行。

tail -n +10000 largefile | head -n 90000 -

Answer 4

被 sed 解决方案击败，所以我将发布一个 perl dito 来代替。
打印选定的行。

$ seq 100 | perl -ne 'print if $. >= 10 && $. <= 20' 
10
11
12
13
14
15
16
17
18
19
20

要打印选择性列，请使用

perl -lane 'print $F[1] .. $F[3] '

-F 与 -a 结合使用，以选择分割行的分隔符。

要进行测试，请使用 seq 和 paste 生成一些列 让

$ seq 50 | paste - - - - -
1   2   3   4   5
6   7   8   9   10
11  12  13  14  15
16  17  18  19  20
21  22  23  24  25
26  27  28  29  30
31  32  33  34  35
36  37  38  39  40
41  42  43  44  45
46  47  48  49  50

我们打印除第一列和最后一列之外的所有内容

$ seq 50 | paste - - - - - | perl -lane 'print join "   ", $F[1] .. $F[3]'
2   3   4
7   8   9
12  13  14
17  18  19
22  23  24
27  28  29
32  33  34
37  38  39
42  43  44
47  48  49

在上面的 join 语句中，有是一个选项卡，您可以通过执行 ctrl-v 选项卡来获取它。