CSVファイルを読み込んで、キーが重複しているレコードを除去して、キーがユニークなレコードだけを出力するスクリプトです。前レコードと異なるキーを持つ場合のみ出力するようにしています。
実際に応用する場合は、入出力データのファイル名などを変更してください。また、入力データはキー順に並べ替えてあることが前提となっています。Perlを利用して並べ替えを行う場合については、[2-4.ソート(並べ替え)処理]を参照してください。
なお、同様の処理を行う[3-2-4.ハッシュを使って、キーの重複したデータを１つにする]については、入力データをキー順に並べ替えておく必要はありません。
# single.pl
# 内容 : 重複データ除去
# 前提 : 重複チェックしたいキーであらかじめソート(並べ替え)しておく。
# Copyright (c) 2002-2011 Mitsuo Minagawa, All rights reserved.
# (minagawa@fb3.so-net.ne.jp)
# 使用方法 : c:\>perl single.pl
#
# 初期値設定
$low_value = pack("h8","00000000"); #low-value
$in1_key = $low_value; #入力キー
$sv_key = $low_value; #1件前の保存キー
open(IN1,"double.txt");
open(OUT1,">single.txt");
while ($line1 = <IN1>) {
chomp($line1);
my $tmp = $line1;
$tmp =~ s/(?:\x0D\x0A|[\x0D\x0A])?$/,/;
@in1 = map {/^"(.*)"$/ ? scalar($_ = $1, s/""/"/g, $_) : $_}
($tmp =~ /("[^"]*(?:""[^"]*)*"|[^,]*),/g);
$in1_key = $in1[0];
if ($in1_key ne $sv_key) {
$out1 = join(",",@in1);
print OUT1 "$out1\n";
}
$sv_key = $in1_key;
}
close(IN1);
close(OUT1);
スクリプトは「$sv_key」に1件前のキーを保存しておき、入力したキーと比較して、異なっていたら出力しているだけの簡単なものになっています。「$sv_key」には初期値として「$low_value」をセットしていますが、「undef」にしても可能です。
その他注意すべきこと
その他、注意すべき点は入力データがタブ区切りなどの場合とキーが複数ある場合の処理です。
1.入力データがタブ区切りの場合
上記のスクリプトはCSV2形式以外の引用符(")を使用する場合を含め、あらゆるCSVファイルに対応できるようになっていますが、入力データがタブ区切りの場合は
my $tmp = $line1;
$tmp =~ s/(?:\x0D\x0A|[\x0D\x0A])?$/,/;
@in1 = map {/^"(.*)"$/ ? scalar($_ = $1, s/""/"/g, $_) : $_}
($tmp =~ /("[^"]*(?:""[^"]*)*"|[^,]*),/g);
上記の部分を
@in1 = split("\t",$line1,-1);
と変更します。
2.キーが複数の項目から成り立っている場合
「$in1_key = $in1[0];」の部分を
$in1_key = $in1[0].$in1[1].$in1[2];
のように変更します（文字列の連結は「.」（ピリオド）を使う）。
aaa,1
aaa,2
aaa,3
bbb,1
ccc,1
ccc,2
ddd,1
ddd,2
ddd,3
ddd,4
eee,1
fff,1
ggg,1
hhh,1
hhh,2
hhh,3
aaa,1
bbb,1
ccc,1
ddd,1
eee,1
fff,1
ggg,1
hhh,1