Dlaczego mój posortowany plik jest większy?

Mam plik tekstowy o rozmiarze 2958616 bajtów. Po uruchomieniu sort < file.txt | uniq > sorted-file.txtotrzymuję plik tekstowy o rozmiarze 3213965 bajtów. Dlaczego mój posortowany plik tekstowy jest większy?

Możesz pobrać pliki tekstowe tutaj .

Podczas gdy twój oryginalny plik ma linie, które kończą się \n, twój plik ma \r\n. Dodanie tego, \rco zmienia rozmiar.

Aby to zilustrować, oto co dzieje się, gdy uruchamiam polecenie w moim systemie Linux:

$ sort < file.txt | uniq > sorted-file.linux.txt
$ ls -l file.txt sorted-file.linux.txt 
-rw-r--r-- 1 terdon terdon 2958616 Jul 10 12:11 file.txt
-rw-r--r-- 1 terdon terdon 2942389 Jul 10 15:15 sorted-file.linux.txt
$ wc -l file.txt sorted-file.linux.txt 
273882 file.txt
271576 sorted-file.linux.txt

Jak widać, posortowany wyodrębniony plik ma kilka wierszy krótszych, a tym samym kilka bajtów mniejszych. Twój plik jest jednak inny:

$ wc -l sorted-file.linux.txt sorted-file.txt 
271576 sorted-file.linux.txt
271576 sorted-file.txt

Dwa pliki mają dokładnie taką samą liczbę linii, ale:

$ ls -l file.txt sorted-file.linux.txt sorted-file.txt 
-rw-r--r-- 1 terdon terdon 2958616 Jul 10 12:11 file.txt
-rw-r--r-- 1 terdon terdon 2942389 Jul 10 15:15 sorted-file.linux.txt
-rw-r--r-- 1 terdon terdon 3213965 Jul 10 12:11 sorted-file.txt

Ten sorted-file.txt, który pobrałem z twojego linku, jest większy. Jeśli teraz przeanalizujemy pierwszą linię, zobaczymy dodatkowe \r:

$ head -n1 sorted-file.txt | od -c
0000000   a  \r  \n
0000003

Których nie ma w utworzonym przeze mnie systemie Linux:

$ head -n1 sorted-file.linux.txt | od -c
0000000   a  \n
0000002

Jeśli teraz usuniemy \rz twojego pliku:

$ tr -d '\r' < sorted-file.txt > new-sorted-file.txt

Otrzymujemy oczekiwany wynik, plik mniejszy niż oryginał, tak jak ten, który utworzyłem w moim systemie:

$ ls -l sorted-file.linux.txt new-sorted-file.txt file.txt
-rw-r--r-- 1 terdon terdon 2958616 Jul 10 12:11 file.txt
-rw-r--r-- 1 terdon terdon 2942389 Jul 10 15:19 new-sorted-file.txt
-rw-r--r-- 1 terdon terdon 2942389 Jul 10 15:15 sorted-file.linux.txt

hexdump ujawnia to!

$ hexdump -cn 32 file.txt 
0000000   a   d   h   d  \n   a   d   s   l  \n   a   m   v   b  \n   a
0000010   o   v  \n   a   o   w  \n   a   r   o   b  \n   a   s   f   a
0000020

$ hexdump -cn 32 my-sorted.txt 
0000000   a  \n   a   a  \n   a   a   a  \n   a   a   d  \n   a   a   d
0000010   s  \n   a   a   f   j   e  \n   a   a   f   j   e   s  \n   a
0000020 

$ hexdump -cn 32 sorted-file.txt 
0000000   a  \r  \n   a   a  \r  \n   a   a   a  \r  \n   a   a   d  \r
0000010  \n   a   a   d   s  \r  \n   a   a   f   j   e  \r  \n   a   a
0000020   

Twój posortowany plik jest większy, ponieważ używa zakończeń linii systemu Windows \r\n(dwa bajty) zamiast zakończeń linii systemu Linux \n(jeden bajt).

Czy to możliwe, że uruchomiłeś to polecenie powyżej w systemie Windows przy użyciu narzędzi takich jak cygwinlub nowego podsystemu Linux dla Windows 10? A może prowadziłeś coś w Wine?