Linuxのuniqコマンドで特定の文字のみ重複する行を抽出

例えば、テキストファイルに含まれるレコードの中から重複した行を削除するには、単純にuniqコマンドを実行するだけで解決するのですが、特定の文字が重複した行を抽出するには、オプションを付けてsortコマンドとも併用します。

uniqコマンドの基本

uniqコマンドは、単純に全く同じレコードが連続した場合に、重複した行を削除して出力してくれます。
例えば、以下のようなデータを含むファイルがあった場合、

111
222
222
333

uniqコマンドを実行すると、

uniq [ファイル名]

出力結果はこのようになります。

111
222
333

uniqコマンドのオプション一覧

uniqコマンドはオプションを付けることによって、出力形式や比較対象を指定することができます。

オプション（省略）	意味
-c	各行の前に出現回数を出力する
-u	重複していない行だけを出力する
-d	重複した行だけを出力する
-D	重複する行を全て出力する
-i	比較時に大文字と小文字の違いを無視する
-w N	行の比較を最初のN文字で行う
-s N	最初のN文字を比較しない
-f N	最初のN個のフィールドを比較しない
-z	最後にNULL文字を出力す

オプション情報はググったらすぐに見つかりますよ！

特定の文字を比較して重複行のみ抽出

冒頭でも記述した通り、uniqコマンドだけでは離れた行にある重複したデータを抽出できませんし、オプションを付けないと1行全てを完全一致で比較して、重複した行は削除されてしまいます。
そこで、レコードの並び替えを行うsortコマンドと、-w、-dオプションを利用して実現します。

sortからのuniq

例えば、内容が以下のようなファイルがあったとします。

111
222
333
222

ここでは、222が重複しているのがわかりますが、連続したレコードではないため、単純なuniqコマンドでは重複を抽出できません。
そこで、sortコマンドの後にパイプ（|）でuniqコマンドを繋げて実装します。

sort test.txt | uniq

すると、結果は前述と同じになります。

比較する文字数を指定する-wオプション

例題です。

111 aaa
222 bbb
333 ccc
222 ddd

一見、後ろのアルファベットが全て異なるので、重複しているデータはないのですが、先頭の3文字が一致するデータがありますね。
この先頭の3文字のみで比較する場合に、-wオプションを利用します。

sort test.txt | uniq -w 2

このように実行すると、結果はこうなります。

111 aaa
222 bbb
333 ccc

ちなみに、-wの後ろの数字が文字数なのですが、最初の1文字目は0で指定します。
コンピュータのお決まりですね。
0が1、1が2、2が3・・・と言った感じです。

重複したデータのみ抽出する-dオプション

先程と同じデータを使って、-dオプションを追加してみると、

sort test.txt | uniq -d -w 2

結果はこのようになります。

222 ddd

これで、やりたかったことが完成しました！
余談ですが、行の先頭から何文字ではなく、途中から比較する場合には指定した文字数分スキップする-sオプションが使えますし、もしスペースやタブ区切りのデータだった場合、比較しないフィールドを指定できる-fオプションも重宝すると思います。

• Original:https://minory.org/linux-uniq.html
• Source:Minory
• Author:管理者