CSVファイルを読み込んで、入力データをそのまま出力しますが、重複データに対して、最後に「重複」という文字をつけるスクリプトです。
基本的には、「3-2-1.キーの重複したデータを1つにする」と「3-2-2.キーが重複したデータだけを出力する」を組み合わせ、それぞれの出力ファイルをマージ処理する方法を採っています。
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。Ruby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[3-2-6.ハッシュを使って、キーの重複したデータにマークをつけて、出力する]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。
また、スクリプトで「重複」という漢字を指定していますので、Ruby1.9以降で使用するものとして、マジックコメントを1行目に指定しています。マジックコメントについては[2-1-5.スクリプトの中で漢字を使う]を参照してください。Ruby1.8以前であれば、$KCODEを使用します。
# coding:windows-31j # double2.rb # 内容 : 重複チェック後、重複データには、「重複」と表示する。 # 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。 # Copyright (c) 2002-2015 Mitsuo Minagawa, All rights reserved. # (minagawa@fb3.so-net.ne.jp) # 使用方法 : c:\>ruby double2.rb # # 入力ファイル in11_file = open("double.txt","r") # 出力ファイル(重複データを除いたレコード) out11_file = open("single_temp.txt","w") # 初期値設定 in1 = [] #入力データ in1_key = nil #入力キー sv_key = nil #1件前の保存キー # 主処理 while (line1 = in11_file.gets) line1.chomp! in1 = (line1 + ',') .scan(/"([^"\\]*(?:\\.[^"\\]*)*)",|([^,]*),/) .collect{|x,y| y || x.gsub(/(.)/, '\1')} #キー項目が単独のとき in1_key = in1[0] #キー項目が複数のとき #1番目と2番目と3番目の項目がキーとなる場合 # in1_key = in1[0] + in1[1] + in1[2] if ((sv_key != in1_key) && (sv_key != nil)) out11_file.print in1.join(","),"\n" end sv_key = in1_key end # ファイルのクローズ in11_file.close out11_file.close #------------------------------------------------- # 入力ファイル in21_file = open("double.txt","r") # 出力ファイル(重複データのみレコード) out21_file = open("double_temp.txt","w") # 初期値設定 in1 = [] #入力データ in1_key = nil #入力キー in1_ctr = 0 #入力件数 sv_key = nil #1件前の保存キー sv_key2 = nil #2件前の保存キー save1 = [] #保存データ # 主処理 while (line1 = in21_file.gets) line1.chomp! in1_ctr = in1_ctr + 1 in1 = (line1 + ',') .scan(/"([^"\\]*(?:\\.[^"\\]*)*)",|([^,]*),/) .collect{|x,y| y || x.gsub(/(.)/, '\1')} #キー項目が単独のとき in1_key = in1[0] #キー項目が複数のとき #1番目と2番目と3番目の項目がキーとなる場合 # in1_key = in1[0] + in1[1] + in1[2] if (sv_key == in1_key) save1 = save1.push ["重複"] out21_file.print save1.join(","),"\n" sv_key2 = sv_key elsif ((sv_key2 == sv_key) && (sv_key != nil)) save1 = save1.push ["重複"] out21_file.print save1.join(","),"\n" end sv_key = in1_key save1 = in1 end if ((in1_ctr > 0) && (sv_key2 == sv_key)) save1 = save1.push ["重複"] out21_file.print save1.join(","),"\n" end # ファイルのクローズ in21_file.close out21_file.close #------------------------------------------------- # 入力ファイル(重複データのみレコード) in31_file = open("double_temp.txt","r") # 入力ファイル(重複データを除いたレコード) in32_file = open("single_temp.txt","r") # 出力ファイル(マージファイル) out31_file = open("double_check.txt","w") # 初期値設定 in1_eof = ["ffffffff"].pack("h8"); #マスターファイルの終了判定 in2_eof = ["ffffffff"].pack("h8"); #トランザクションファイルの終了判定 in1 = [] #マスターデータ in1_key = nil #マスターキー in2 = [] #トランザクションデータ in2_key = nil #トランザクションキー # # マスタファイル入力 # class S_in1 def dataset(in31_file,in1_eof) if (line1 = in31_file.gets) line1.chomp! in1 = (line1 + ',') .scan(/"([^"\\]*(?:\\.[^"\\]*)*)",|([^,]*),/) .collect{|x,y| y || x.gsub(/(.)/, '\1')} #キー項目が単独のとき in1_key = in1[0] #キー項目が複数のとき #1番目と2番目と3番目の項目がキーとなる場合 # in1_key = in1[0] + in1[1] + in1[2] #マスターファイルが終了のとき else in1 = nil #終了判定をセット in1_key = in1_eof end return in1,in1_key end end # # トランザクションファイル入力 # class S_in2 def dataset(in32_file,in2_eof) if (line2 = in32_file.gets) line2.chomp! in2 = (line2 + ',') .scan(/"([^"\\]*(?:\\.[^"\\]*)*)",|([^,]*),/) .collect{|x,y| y || x.gsub(/(.)/, '\1')} #キー項目が単独のとき in2_key = in2[0] #キー項目が複数のとき #1番目と2番目と3番目の項目がキーとなる場合 # in2_key = in2[0] + in2[1] + in2[2] #トランザクションファイルが終了のとき else in2 = nil #終了判定をセット in2_key = in2_eof end return in2,in2_key end end # # マッチングしたときの処理 # def s_match(in1,in2,out31_file) out31_file.print in1.join(","),"\n" end # # マスターオンリーの処理 # def s_master_only(in1,out31_file) out31_file.print in1.join(","),"\n" end # # トランザクションオンリーの処理 # def s_trans_only(in2,out31_file) out31_file.print in2.join(","),"\n" end # マスタファイル1件目入力 s_in1 = S_in1.new (in1,in1_key) = s_in1.dataset(in31_file,in1_eof) # トランザクションファイル1件目入力 s_in2 = S_in2.new (in2,in2_key) = s_in2.dataset(in32_file,in2_eof) # # 入力データが終了するまで繰り返す。 # until ((in1_key == in1_eof) && (in2_key == in2_eof)) # # 主処理 # #マッチング処理 if (in1_key == in2_key) until (in1_key != in2_key) s_match(in1,in2,out31_file) (in2,in2_key) = s_in2.dataset(in32_file,in2_eof) end (in1,in1_key) = s_in1.dataset(in31_file,in1_eof) #マスターオンリー処理 elsif (in1_key < in2_key) s_master_only(in1,out31_file) (in1,in1_key) = s_in1.dataset(in31_file,in1_eof) #トランザクションオンリー処理 elsif (in1_key > in2_key) s_trans_only(in2,out31_file) (in2,in2_key) = s_in2.dataset(in32_file,in2_eof) end end # ファイルのクローズ in31_file.close in32_file.close out31_file.close
スクリプトはキーが重複しないように出力したレコードと、重複したレコードをマッチング(照合)することで、最初の入力データに対して、重複したレコードに「重複」の文字を表示するようにしたものです。
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
line1.chomp! in1 = (line1 + ',') .scan(/"([^"\\]*(?:\\.[^"\\]*)*)",|([^,]*),/) .collect{|x,y| y || x.gsub(/(.)/, '\1')}
となっている箇所を
in1 = line1.split("\t",-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「+」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,重複 aaa,2,重複 aaa,3,重複 bbb,1 ccc,1,重複 ccc,2,重複 ddd,1,重複 ddd,2,重複 ddd,3,重複 ddd,4,重複 eee,1 fff,1 ggg,1 hhh,1,重複 hhh,2,重複 hhh,3,重複