一、數(shù)據(jù)去重

日常工作中，使用Hive或者Impala查詢導出來可能會存在數(shù)據(jù)重復的現(xiàn)象，但又不想重新執(zhí)行一遍查詢（查詢時間稍長，導出文件內(nèi)容多），因此想到了使用Linux命令將文件的內(nèi)容重復數(shù)據(jù)進行去除。

案例如下：

可以看到aaa.txx有3條重復數(shù)據(jù)

想去掉多余的數(shù)據(jù)，只保留一條

sort aaa.txt | uniq > bbb.txt

將aaa.txt文件中重復數(shù)據(jù)去掉，輸出到bbb.txt

可以看到bbb.txt文件中只保留了一條數(shù)據(jù)

二、數(shù)據(jù)交、并、差

1)、交集(相當于user_2019 inner join user_2020 on user_2019.user_no=user_2020.user_no)

sort user_2019.txt user_2020.txt | uniq -d

2)、并集(相當于 user_2019.user_no union user_2020.user_no)

sort user_2019.txt user_2020.txt | uniq

3)、差集

user_2019.txt-user_2020.txt

sort user_2019.txt user_2020.txt user_2020.txt | uniq -u

user_2020.txt - user_2019.txt:

sort user_2020.txt user_2019.txt user_2019.txt | uniq -u

以上就是本文的全部內(nèi)容，希望對大家的學習有所幫助，也希望大家多多支持好吧啦網(wǎng)。