Bash / * NIX：将文件拆分为子字符串上的多个文件

Question

之前已经问过并回答过这个问题的变种，但是我发现我的sed / grep / awk技能从那些工作到自定义解决方案太过简陋，因为我几乎没有在shell脚本中工作。

我有一个相当大的（100K +行）文本文件，其中每行定义一个GeoJSON对象，每个这样的对象包括一个名为“county”的属性（所有人都说，有100个不同的县）。 这是一个片段：

{"type": "Feature", "properties": {"county":"ALAMANCE", "vBLA": 0, "vWHI": 4, "vDEM": 0, "vREP": 2, "vUNA": 2, "vTOT": 4}, "geometry": {"type":"Polygon","coordinates":[[[-79.537429,35.843303],[-79.542428,35.843303],[-79.542428,35.848302],[-79.537429,35.848302],[-79.537429,35.843303]]]}},
{"type": "Feature", "properties": {"county":"NEW HANOVER", "vBLA": 0, "vWHI": 0, "vDEM": 0, "vREP": 0, "vUNA": 0, "vTOT": 0}, "geometry": {"type":"Polygon","coordinates":[[[-79.532429,35.843303],[-79.537428,35.843303],[-79.537428,35.848302],[-79.532429,35.848302],[-79.532429,35.843303]]]}},
{"type": "Feature", "properties": {"county":"ALAMANCE", "vBLA": 0, "vWHI": 0, "vDEM": 0, "vREP": 0, "vUNA": 0, "vTOT": 0}, "geometry": {"type":"Polygon","coordinates":[[[-79.527429,35.843303],[-79.532428,35.843303],[-79.532428,35.848302],[-79.527429,35.848302],[-79.527429,35.843303]]]}},

我需要将其拆分为100个单独的文件，每个文件包含一个县的GeoJSON，每个文件名为xxxx_bins_2016.json（其中xxxx是县名）。 我也希望每个这样的文件末尾的最后一个字符（逗号）消失。

我在Mac OSX中这样做，如果这很重要的话。 我希望通过研究你能提出的任何解决方案来学到很多东西，所以如果你想花时间解释'为什么'以及那些将会很棒的'什么'。 谢谢！

编辑，以明确有不同的县名，其中一些是双字名。

Answer 1

jq 那种可以做到这一点; 它可以对输入进行分组，并为每组输出一行文本。 然后shell负责将每一行写入适当命名的文件。 jq本身并没有真正能够打开文件进行编写，这样你就可以在一个进程中完成这项工作。

jq -Rn -c '[inputs[:-1]|fromjson] | group_by(.properties.county)[]' tmp.json |
  while IFS= read -r line; do
    county=$(jq -r '.[0].properties.county' <<< $line)
    jq -r '.[]' <<< "$line" > "$county.txt"
done

[inputs[:-1]|fromjson]以字符串形式读取文件的每一行， [inputs[:-1]|fromjson]尾随的逗号，然后将该行解析为JSON并将这些行包装成单个数组。 生成的数组按县名排序和分组，然后写入标准输出，每行一组。

shell循环读取每一行，通过调用jq从组的第一个元素中提取县名，然后再次使用jq将组的每个元素写入相应的文件，每行再一个元素。

（快速浏览一下https://github.com/stedolan/jq/issues似乎没有显示任何output函数的请求，它可以让你打开并从jq过滤器内部写入文件。我是想着类似的东西

jq -Rn '... | group_by(.properties.county) | output("\(.properties.county).txt")' tmp.json

不需要shell循环。）

Answer 2

^{如果使用字符串解析而不是正确的JSON解析来提取县名是可以接受的 - 一般来说很脆弱，但是在这个简单的情况下可以工作 - 考虑一下Sam Tolton的GNU awk答案 ，它有可能成为迄今为止最简单，最快速的解决方案。}

通过专注于性能的变体来补充chepner的出色答案 ：

jq -Rrn '[inputs[:-1]|fromjson] | .properties.county + "|" + (.|tostring)' file |
  awk -F'|' '{ print $2 > ($1 "_bins_2016.json") }'

完全避免使用Shell循环，这样可以加快操作速度。

一般的想法是：

• 使用jq修剪尾随,从每个输入行，将修剪后的字符串解释为JSON，提取县名，然后输出前缀为县名和不同分隔符的修剪过的JSON字符串， | 。

• 使用awk命令将每一行拆分为前置的县名和修剪后的JSON字符串，这允许awk轻松构造输出文件名并将JSON字符串写入其中。

注： awk命令保存所有输出文件打开，直到脚本已经完成，这意味着，在你的情况下，100个的输出文件将同时打开-一个数字，不应该是一个问题，但是。

如果是一个问题，你可以使用以下变体，其中jq首先按县名对行进行排序，然后允许awk在输入中到达下一个县时立即关闭前一个输出字段：

jq -Rrn '
  [inputs[:-1]|fromjson] | sort_by(.properties.county)[] | 
    .properties.county + "|" + (.|tostring)
' file | 
   awk -F'|' '
    prevCounty != $1 { if (outFile) close(outFile); outFile = $1 "_bins_2016.json" }
    { print $2 > outFile; prevCounty = $1  }
  '

Answer 3

更简洁的chepner's answer版本：

while IFS= read -r line
do 
    countyName=$(jq --raw-output '.properties.county' <<<"${line: : -1}")
    jq <<< "${line: : -1}" >> "$countyName"_bins_2016.json
done<file

我们的想法是利用过滤县名jq剥离后过滤,从你的输入文件的每一行。 然后该行作为普通流传jq ，以生成美化格式的JSON文件。

如果您来自相对较旧版本的bash （< 4.0 ），请使用"${line%?}"不是"${line: : -1}"

例如，如果上面的更改，您的一个县成为，

cat ALAMANCE_bins_2016.json
{
  "type": "Feature",
  "properties": {
    "county": "ALAMANCE",
    "vBLA": 0,
    "vWHI": 0,
    "vDEM": 0,
    "vREP": 0,
    "vUNA": 0,
    "vTOT": 0
  },
  "geometry": {
    "type": "Polygon",
    "coordinates": [
      [
        [
          -79.527429,
          35.843303
        ],
        [
          -79.532428,
          35.843303
        ],
        [
          -79.532428,
          35.848302
        ],
        [
          -79.527429,
          35.848302
        ],
        [
          -79.527429,
          35.843303
        ]
      ]
    ]
  }
}

注意 ：当前的解决方案可能是性能密集型的，因为逐行读取文件是一项昂贵的操作，并且同样调用每行的jq 。

Answer 4

这将做你想要的东西减去最后一个逗号： -

gawk 'match($0, /"county":"([^"]+)/, array){ print >array[1]"_bins_2016.json" }' INPUT_FILE

这将输出当前路径中的文件，文件COUNTRY NAME_bins_2016.json 。

该脚本逐行排列并使用正则表达式匹配确切的术语"country":"后跟一个或多个不是"字符。 它捕获引号中的字符，然后将其用作文件名的一部分以附加当前行。

要删除当前路径中所有.json文件的尾随逗号，您可以使用： -

sed -i '$ s/,$//' *.json

如果您确定最后一个字符始终是逗号，则更快的解决方案是使用truncate： -

truncate -s-1 *.json

最后一部分来自这个答案： https ： //stackoverflow.com/a/40568723/1453798

Answer 5

这是一个可以完成这项工作的快速脚本。 它具有在大多数系统上工作的优点，而无需安装任何其他工具。

IFS=$'\n'
counties=( $( sed 's/^.*"county":"//;s/".*$//' counties.txt ) )
unset IFS

for county in "${!counties[@]}"
do
  county="${counties[$i]}"
  filename="$county".out.txt
  echo "'$filename'"
  grep "\"$county\"" counties.txt > "$filename"
done

将IFS设置为\\n允许数组元素包含空格。 sed命令将所有文本删除到县名的开头以及之后的所有文本。 for循环是允许迭代数组的形式。 最后， grep命令需要在搜索字符串周围加上双引号，以便作为其他县的子字符串的县不会意外地被放入错误的文件中。

有关详细信息，请参阅GNU BASH参考手册的此部分 。