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。同じキーを持つデータが1件しかない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。
なお、[3-2-1.キーの重複したデータを1つにする]と異なり、入力データはキー順に並べ替えておく必要はありません。
# single_hash.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しておく必要はない。 # Copyright (c) 2013 Mitsuo Minagawa, All rights reserved. # (minagawa@fb3.so-net.ne.jp) # 使用方法 : c:\>perl single_hash.pl # # 出力用ハッシュ my %out1; # マスタデータをハッシュに入れる open(IN1,"double.txt"); while($line1 = <IN1>) { chomp($line1); #---区切り文字により、処理を変更する---------- #タブ区切りのとき # @in1 = split("\t",$line1); #カンマ区切りのとき my $tmp = $line1; $tmp =~ s/(?:\x0D\x0A|[\x0D\x0A])?$/,/; @in1 = map {/^"(.*)"$/ ? scalar($_ = $1, s/""/"/g, $_) : $_} ($tmp =~ /("[^"]*(?:""[^"]*)*"|[^,]*),/g); #----------------- $in1_key = $in1[0]; # ハッシュのキーが存在しない場合 unless (exists $out1{$in1_key}) { @double = (); push(@double,$line1); $out1{$in1_key} = [@double]; } } close(IN1); open(OUT1,">single_only.txt"); # ハッシュのキーをソートして出力する foreach my $key (sort keys %out1) { # キーと件数をカンマ区切りで結合し、出力する print OUT1 join("\n", @{$out1{$key}})."\n"; } close(OUT1);
それでは、スクリプトの解説を個別に行っていきましょう。
重複しないデータのみセット
# ハッシュのキーが存在しない場合 unless (exists $out1{$in1_key}) { @double = (); push(@double,$line1); $out1{$in1_key} = [@double]; }
重複しているかどうかをハッシュを使って判定しています。ハッシュのキーが存在していない場合は重複していないものとして、データをハッシュにセットします。
データ出力
# ハッシュのキーをソートして出力する foreach my $key (sort keys %out1) { # キーと件数をカンマ区切りで結合し、出力する print OUT1 join("\n", @{$out1{$key}})."\n"; }
ハッシュのキー順に並べ替えて、ハッシュのデータを出力します。
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