Top-Themen

AppleEntwicklungHardwareInternetLinuxMicrosoftMultimediaNetzwerkeOff TopicSicherheitSonstige SystemeVirtualisierungWeiterbildungZusammenarbeit

Aktuelle Themen

Administrator.de FeedbackApache ServerAppleAssemblerAudioAusbildungAuslandBackupBasicBatch & ShellBenchmarksBibliotheken & ToolkitsBlogsCloud-DiensteClusterCMSCPU, RAM, MainboardsCSSC und C++DatenbankenDatenschutzDebianDigitiales FernsehenDNSDrucker und ScannerDSL, VDSLE-BooksE-BusinessE-MailEntwicklungErkennung und -AbwehrExchange ServerFestplatten, SSD, RaidFirewallFlatratesGoogle AndroidGrafikGrafikkarten & MonitoreGroupwareHardwareHosting & HousingHTMLHumor (lol)Hyper-VIconsIDE & EditorenInformationsdiensteInstallationInstant MessagingInternetInternet DomäneniOSISDN & AnaloganschlüsseiTunesJavaJavaScriptKiXtartKVMLAN, WAN, WirelessLinuxLinux DesktopLinux NetzwerkLinux ToolsLinux UserverwaltungLizenzierungMac OS XMicrosoftMicrosoft OfficeMikroTik RouterOSMonitoringMultimediaMultimedia & ZubehörNetzwerkeNetzwerkgrundlagenNetzwerkmanagementNetzwerkprotokolleNotebook & ZubehörNovell NetwareOff TopicOpenOffice, LibreOfficeOutlook & MailPapierkorbPascal und DelphiPeripheriegerätePerlPHPPythonRechtliche FragenRedHat, CentOS, FedoraRouter & RoutingSambaSAN, NAS, DASSchriftartenSchulung & TrainingSEOServerServer-HardwareSicherheitSicherheits-ToolsSicherheitsgrundlagenSolarisSonstige SystemeSoziale NetzwerkeSpeicherkartenStudentenjobs & PraktikumSuche ProjektpartnerSuseSwitche und HubsTipps & TricksTK-Netze & GeräteUbuntuUMTS, EDGE & GPRSUtilitiesVB for ApplicationsVerschlüsselung & ZertifikateVideo & StreamingViren und TrojanerVirtualisierungVisual StudioVmwareVoice over IPWebbrowserWebentwicklungWeiterbildungWindows 7Windows 8Windows 10Windows InstallationWindows MobileWindows NetzwerkWindows ServerWindows SystemdateienWindows ToolsWindows UpdateWindows UserverwaltungWindows VistaWindows XPXenserverXMLZusammenarbeit
GELÖST

Wie filtere ich eine Textdatei auf Dubletten

Frage Entwicklung

Mitglied: 16568

16568 (Level 4)

22.07.2006, aktualisiert 16.01.2007, 8158 Aufrufe, 7 Kommentare

Wer kennt das nicht:
Rechtschreibprüfung bei Word hat bei einer Grundinstallation kein einziges Wort in der Benutzer.dic

Das möchte ich jetzt per Default ändern.

Dazu habe ich mir aus div. Bibliotheken (was es nicht alles unter GNU gibt...) ziemlich viele Wörter zusammenklabustert.
Negativ is nur, daß manche doppelt vorkommen.

Alle Wörter habe ich jetzt in einer Textdatei, jedes Wort in einer eigenen Zeile.

Da es weit mehr als 60.000 sind, war eine Filterung über Excel auch nicht mehr drin (sonst wäre es ein Leichtes gewesen, Makro drüber, fertich...).


Weiß jemand eine Möglichkeit, irgendwie die Dubletten aus dem File zu killen?

Textdatei-Größe 2 MB, stelle ich nach Filterung gerne zur freien Verfügung...


Lonesome Walker
edit: 156498 Wörter...
Mitglied: filippg
22.07.2006 um 22:03 Uhr
Hallo,

ich glaube ich würde es über eine Datenbank versuchen. Bieten ja alle irgendeinen Massenimport...

Filipp
Bitte warten ..
Mitglied: 16568
22.07.2006 um 22:25 Uhr
Und wie exportiere ich dann wieder, damit auch wieder jedes einzelne Wort in einer Zeile steht?


Lonesome Walker
PS: Bitte sag' nicht, ich soll dann Wort für Wort mit \r\n in die Textdatei zurückschreiben...
Bitte warten ..
Mitglied: filippg
22.07.2006 um 23:52 Uhr
Und wie exportiere ich dann wieder, damit
auch wieder jedes einzelne Wort in einer
Zeile steht?
Naja, entweder gibt es einen Massenexport, oder im schlimmsten Fall schreibst du schnell ein kleines PHP-Skript.

Filipp
Bitte warten ..
Mitglied: Biber
22.07.2006 um 23:53 Uhr
Moin Lomesome Walker,

was soll der Geiz... wenn das Ganze eine einmalige Aktion ist, nicht regelmäßig wiederholt werden soll und weder dem Stockholmer Nobelpreiskomitee noch der Geschäftsleitung schmackhaft gemacht werden muss, dann mach es doch mit (irgend-)einer SQL sprechenden Datenbank.

Selbst dieses MSACCESS, das ja auch immer scherzhaft in einem Atemzug mit relationalen Datenbanksystemen genannt wird, wäre dafür ausreichend.
(Beispiel-)Vorgehen mit Access 2003:
1. Menü "Datei"->"Externe Daten"->"Importieren"->
->(als Importformat auswählen) "Textdateien" ->Deine Rohdatendatei mit Dubletten angeben;
als Trennzeichen "Leerzeichen" angeben
2. Daraufhin wird automatisch eine Tabelle "Rohdatendatei" angelegt mit der Struktur "ID", "Feld1"
3. Damit machst du eine Billigst-Abfrage
01.
SELECT distinct Rohdatendatei.Feld1 
02.
FROM Rohdatendatei;
...speicherst diese Abfrage und hast alles dublettenfrei z.B. in der Abfrage "DistinctWords",
4. Als letzten Schritt kann Du diese Abfrage über Menüpunkt "Datei" ->"Exportieren" wieder als Text-Datei rausschreiben.

Das war's... die Wartezeit nicht mitgerechnet hast Du circa 2 Minuten zu tun für ein paar Mausklicks, ein paar Mal "Enter" drücken und das Eintippen des Select-Statements.

Würde ich bei dieser Aufgabenstellung genauso stumpf, unelegant und stressarm erledigen.

Gruß
Biber
Bitte warten ..
Mitglied: 16568
23.07.2006 um 09:48 Uhr
Moinmoin Biber,

*grml* Hast ja recht, hätte da selbst drauf kommen müssen.

Ich habs mit PHP und MySQL realisiert, da ich Deinen Beitrag zu spät gelesen hab' ...


Wer die Benutzer.dic haben möchte, kann sich per PN melden; wenn's wider Erwarten doch sooo viele sind, stell' ich einen http-Download zur Verfügung.


Lonesome Walker
Bitte warten ..
Mitglied: AxelHahn
16.01.2007 um 16:37 Uhr
... eigentlich suche ich grad was anderes ... mein Senf:
von Kommandozeile unter Linux oder GNU-Tools auch Win (CYGWIN):

01.
sort [Textfile] | uniq >[Ausgabedatei]

Viele Grüsse
-= Axel =-
Bitte warten ..
Mitglied: 16568
16.01.2007 um 17:00 Uhr
Nun ja, ich mußte das alles einstellen, weil Word mit so einer großen Datei leider nicht mehr zu Rande kommt, jedoch ist Dein Senf wohl der eleganteste.

Schade, daß ich keine Wertung mehr geben kann


Lonesome Walker
Bitte warten ..
Ähnliche Inhalte
Batch & Shell
gelöst Filtern von Textdatei (2)

Frage von MaxPauer zum Thema Batch & Shell ...

Batch & Shell
gelöst Powershell Get-Content Inhalt filtern (1)

Frage von derhoeppi zum Thema Batch & Shell ...

HTML
Canvas mit Filter speichern (1)

Frage von tingel zum Thema HTML ...

Windows Netzwerk
DHCP MAC Filter unter W2008R2 (2)

Frage von sabines zum Thema Windows Netzwerk ...

Neue Wissensbeiträge
Linux Netzwerk

Ping und das einstellbare Bytepattern

(1)

Erfahrungsbericht von LordGurke zum Thema Linux Netzwerk ...

Windows Update

Microsoft Update KB4034664 verursacht Probleme mit Multimonitor-Systemen

(3)

Tipp von beidermachtvongreyscull zum Thema Windows Update ...

Viren und Trojaner

CNC-Fräsen von MECANUMERIC werden (ggf.) mit Viren, Trojanern, Würmern ausgeliefert

(4)

Erfahrungsbericht von anteNope zum Thema Viren und Trojaner ...

Heiß diskutierte Inhalte
Microsoft Office
Office Druck fehler (18)

Frage von DaistwasimBusch zum Thema Microsoft Office ...

Netzwerkmanagement
Windows Server 2008 R2: "netsh reset" nicht verfügbar? (11)

Frage von RickTucker zum Thema Netzwerkmanagement ...

Festplatten, SSD, Raid
Uninitialisierte Festplatte - Daten retten (11)

Frage von peterla zum Thema Festplatten, SSD, Raid ...

Microsoft Office
Outlook 2016 in Ordneransicht starten - GPO (9)

Frage von D-Line zum Thema Microsoft Office ...