Compare dois arquivos com a primeira coluna e remova a linha duplicada do segundo arquivo no shell script

Farei minha pergunta com um exemplo. Eu tenho 2 arquivos:

Arquivo 1:

118D FC300_R5_TP  FX.B      32775       2112   6       2038   6       2112   0
118E FC300_R5_TP  FX.B      32775       2136   7       2065   6       2136   0
118F FC300_R5_TP  FX.B      32775       2124   6       2064   6       2124   0
1190 FC300_R5_TP  FX.B     819210     814632  99     814609  99     814632   0
1191 FC300_R5_TP  FX.B     819210     104100  13     103714  13     104100   0
1192 FC300_R5_TP  FX.B    1638420    1609476  98    1609402  98    1609476   0
1196 FC300_R5_TP  FX.B    1638420    1638432 100    1638379 100    1638432   0
119A FC300_R5_TP  FX.B    3276840    3271776 100    3271698 100    3271776   0
119E FC300_R5_TP  FX.B    3276840    3264120 100    3264034 100    3264120   0
11A2 FC300_R5_TP  FX.B    3276840    2328648  71    2328546  71    2328648   0
11A6 FC300_R5_TP  FX.B    3276840    2328444  71    2328355  71    2328444   0
11AA FC300_R5_TP  FX.B    3276840    2328528  71    2328403  71    2328528   0
11AE FC300_R5_TP  FX.B    3276840    2328648  71    2328468  71    2328648   0
11B2 FC300_R5_TP  FX.B    3276840    2130000  65    2129766  65    2130000   0
173A FC300_R5_TP  FX.B    6553680    6478572  99    6477747  99    6478572   0

Arquivo 2:

11AA FC300_R5_TP  FX.B    3276840    2328528  71    2328403  71    2328528   0
11AE FC300_R5_TP  FX.B    3276840    2328648  71    2328468  71    2328648   0
11B2 FC300_R5_TP  FX.B    3276840    2130000  65    2129766  65    2130000   0
173A FC300_R5_TP  FX.B    6553680    6478572  99    6477747  99    6478572   0
0BDB FC600_R5_TP  FX.B   33554640    6044364  18    6033105  18    6044364   0
0BDC FC600_R5_TP  FX.B   33554640    6613536  20    6481974  19    6613536   0
0BDD FC600_R5_TP  FX.B   33554640    4435848  13    4057170  12    4435848   0
0BDE FC600_R5_TP  FX.B   33554640    6620868  20    6249518  19    6620868   0

Saída desejada

Arquivo nº 3:

0BDB FC600_R5_TP  FX.B   33554640    6044364  18    6033105  18    6044364   0
0BDC FC600_R5_TP  FX.B   33554640    6613536  20    6481974  19    6613536   0
0BDD FC600_R5_TP  FX.B   33554640    4435848  13    4057170  12    4435848   0
0BDE FC600_R5_TP  FX.B   33554640    6620868  20    6249518  19    6620868   0

Eu gostaria de comparar o arquivo 1 e o arquivo 2 usando as primeiras colunas e remover a linha ou linha inteira do arquivo 2 onde elas correspondem no arquivo 1. Eu também gostaria de salvar os resultados em um terceiro arquivo, o arquivo nº 3.

Você pode usar awkpara isso:

awk 'FNR==NR{a[$1];next};!($1 in a)' file1 file2 > file3

Explicação:

• FNR == NR: Esse teste é verdadeiro quando o número de registros é igual ao número de registros no arquivo. Isso é verdadeiro apenas para o primeiro arquivo, pois o segundo arquivo NRserá igual ao número de linhas do arquivo1 + FNR.

• a[$1]: Crie um índice de elemento da matriz do primeiro campo do arquivo1.

• next: pule para o próximo registro para que não seja mais processado o arquivo1.

• !($1 in a): Veja se o primeiro campo ($ 1) está presente na matriz, ou seja, no arquivo1, e imprima a linha inteira (no arquivo3).

Com base em um dos exemplos do wiki #awk .

export LC_ALL=C
comm -13 <(sort f1) <(sort  f2)

Relataria as linhas que estão apenas dentro f2.

export LC_ALL=C
join -v2 <(sort f1) <(sort f2)

Relataria as linhas f2cujo primeiro campo não foi encontrado como o primeiro campo em qualquer linha de f1.

(você precisa de um shell com suporte para substituição de processos como ksh93, zshou bash).

Apenas por diversão, aqui está uma solução no Perl:

#!/usr/bin/perl

# create names lookup table from first file
my %names;
while (<>) {
    (my $col1)= split / /, $_;
    $names{$col1} = 1;
    last if eof;
}

# scan second file
while (<>) {
    print if /^(\S+).*/ && not $names{$1};
}

Exemplo

$ ./showdiffs.pl file1  file2
0BDB FC600_R5_TP  FX.B   33554640    6044364  18    6033105  18    6044364   0
0BDC FC600_R5_TP  FX.B   33554640    6613536  20    6481974  19    6613536   0
0BDD FC600_R5_TP  FX.B   33554640    4435848  13    4057170  12    4435848   0
0BDE FC600_R5_TP  FX.B   33554640    6620868  20    6249518  19    6620868   0

Detalhes

A solução Perl acima é composta por 2 loops. O primeiro loop lê todas as linhas de file1e cria um hash, %namesonde cada coluna que identificamos é adicionada.

$names{11AA} = 1;

O segundo whileloop é executado sobre o segundo arquivo, file2e a coluna 1 de cada linha é identificada usando a expressão regular:

^(\S+).*

O texto acima diz, desde o início da linha, que corresponde a tudo que não é um espaço e salve-o na variável temporária $1. Ele é salvo ao envolver parênteses em torno dele. O .*diz para combinar com tudo o mais na linha.

O próximo bit de que as linhas diz para procurar o bit coluna 1 que acabou de salvar no $1no %namesHash:

$names{$1}

Se estiver presente lá, não queremos imprimi-lo. Se não estiver lá, imprima-o.

Método 1 # Bash

#!/usr/bin/env bash
file1=$1
file2=$2

[[ $# -ne 2 ]]  && { echo -e "\n\tUsage: \t$0 file1 file2\n"; exit 1; }

while read line
do

        if ! grep -q "${line%% .*}" $file1; then
                echo "${line}"
        fi

done < $file2

Método 2 # Somente Grep

grep -v "$(< file1)" file2

grep está funcionando, mas não garante

Vamos obtê-lo como

Arquivo # 1: file1.txt

Arquivo # 2: file2.txt

Em seguida, execute o seguinte no terminal

fgrep -vf test1.txt test2.txt > output.txt

output.txt conterá os resultados desejados.

Explicação:

fgrep : print lines matching a pattern (from manual page)
-v  : get only non-matching rows
-f : obtain PATTERN from FILE (from manual page)