¿Existe una herramienta para obtener las líneas en un archivo que no están en otro?

¿Existe alguna herramienta que pueda obtener líneas que contiene el archivo A, pero el archivo B no? Podría hacer un pequeño script simple con, por ejemplo, perl, pero si algo así ya existe, ahorraré mi tiempo de ahora en adelante.

Si. La grepherramienta estándar para buscar archivos de cadenas de texto se puede utilizar para restar todas las líneas de un archivo a otro.

grep -F -x -v -f fileB fileA

Esto funciona utilizando cada línea en el archivo B como patrón ( -f fileB) y tratándola como una cadena simple para que coincida (no una expresión regular regular) ( -F). Obliga a que la coincidencia ocurra en toda la línea ( -x) e imprime solo las líneas que no coinciden ( -v). Por lo tanto, está imprimiendo las líneas en el archivo A que no contienen los mismos datos que cualquier línea en el archivo B.

La desventaja de esta solución es que no tiene en cuenta el orden de las líneas y si su entrada tiene líneas duplicadas en diferentes lugares, es posible que no obtenga lo que espera. La solución a eso es usar una herramienta de comparación real como diff. Puede hacer esto creando un archivo diff con el valor de contexto en el 100% de las líneas en el archivo, luego analizándolo solo para las líneas que se eliminarían si se convierte el archivo A al archivo B. _{(Tenga en cuenta que este comando también elimina el diff formateo después de obtener las líneas correctas).}

diff -U $(wc -l < fileA) fileA fileB | sed -n 's/^-//p' > fileC

La respuesta depende en gran medida del tipo y formato de los archivos que está comparando.

Si los archivos que está comparando son archivos de texto ordenados, entonces la herramienta GNU escrita por Richard Stallman y Davide McKenzie llamada commpuede realizar el filtrado que está buscando. Es parte de los coreutils.

Ejemplo

Digamos que tiene los siguientes 2 archivos:

$ cat a
1
2
3
4
5

$ cat b
1
2
3
4
5
6

Líneas en el archivo bque no están en el archivo a:

$ comm <(sort a) <(sort b) -3
    6

de stackoverflow ...

comm -23 archivo1 archivo2

-23 suprime las líneas que están en ambos archivos, o solo en el archivo 2. Los archivos tienen que ser ordenados (están en su ejemplo) pero si no, canalícelos primero por orden ...

Vea la página del manual aquí

Los métodos grep y comm (con clasificación) tardan mucho en archivos grandes. SiegeX y ghostdog74 compartieron dos excelentes métodos awk para extraer líneas exclusivas de uno de los dos archivos en Stack Overflow:

$ awk 'FNR==NR{a[$0]++}FNR!=NR && !a[$0]{print}' file1 file2

$ awk 'FNR==NR{a[$0]++;next}(!($0 in a))' file1 file2

Si los archivos son grandes y no tiene un orden personalizado para sus entradas, grep tarda demasiado. Una alternativa rápida sería

sort file1 > 1 
sort file2 > 2 
diff 1 2 | grep "\>" | sed -e 's/> //'

[file2-file1 resultados a la pantalla, canalización a archivo, etc.]

Cambiar >a <obtendría la resta opuesta.rm 1 2

También podría considerar vimdiff, destaca las diferencias entre archivos en un editor vim