comm 比較排序檔案的差異

在 Linux 系統管理與腳本編寫的領域中，檔案內容的比對與合併是極其常見的需求。雖然 diff 指令以其強大的差異報告功能聞名，但在某些特定場景下，我們需要的不是逐行的詳細差異描述，而是純粹的「集合運算」——例如找出檔案 A 有但檔案 B 沒有的行，或是兩份名單的交集。這時候，comm 指令便是解決這類問題的神器。

comm（compare）指令專門用於比較兩個已排序的檔案，並以列為單位顯示它們的差異。它不像 diff 那樣複雜，卻能以更精簡的方式輸出結果，非常適合用於資料清洗、名單比對或自動化腳本中。

comm 的基本運作邏輯

在深入指令之前，必須先理解 comm 的核心原則：輸入檔案必須是排序過的。如果檔案未排序，comm 的結果將是不可靠且無意義的。此外，comm 的輸出預設分為三個欄位：

第一欄：僅出現在檔案 1 中的行。
第二欄：僅出現在檔案 2 中的行。
第三欄：同時出現在檔案 1 和檔案 2 中的行（交集）。

實戰範例：建立測試環境

為了讓讀者能清楚理解，我們先在 Ubuntu 22.04 或 Debian 12 上建立兩個簡單的測試檔案。

# 建立檔案 list_a.txt
cat <<EOF > list_a.txt
apple
banana
cherry
date
elderberry
fig
EOF

# 建立檔案 list_b.txt
cat <<EOF > list_b.txt
banana
cherry
grape
kiwi
EOF

請注意，上述內容已經預設是依字母順序排列的。如果來源資料未排序，請務必先使用 sort 指令處理：sort list_a.txt > list_a_sorted.txt。

基本使用與輸出解析

執行最基本的 comm 指令：

comm list_a.txt list_b.txt

輸出結果如下：

apple
    banana
    cherry
date
elderberry
fig
        grape
        kiwi

觀察輸出格式，你會發現每行開頭可能有空白或製表符號（Tab）。這是 comm 用來區分欄位的方式：

沒有前導空白：代表該行僅存在於 list_a.txt（第一欄）。
一個製表符號前導：代表該行僅存在於 list_b.txt（第二欄）。
兩個製表符號前導：代表該行同時存在於兩份檔案中（第三欄）。

使用選項過濾輸出

在實際應用中，我們通常不需要看到所有三個欄位。comm 提供了 -1、-2、-3 選項來隱藏對應的欄位。

1. 找出 list_a 有但 list_b 沒有的項目

若要獲取「差集」（A - B），我們需要隱藏第二欄（僅在 B 中的項目）和第三欄（交集）。

comm -23 list_a.txt list_b.txt

輸出：

apple
date
elderberry
fig

這正是我們想要的結果：apple, date, elderberry, fig 是 list_a 獨有的。

2. 找出 list_b 有但 list_a 沒有的項目

若要獲取「B - A」，則隱藏第一欄和第三欄。

comm -13 list_a.txt list_b.txt

輸出：

grape
kiwi

3. 找出兩者的交集

若要獲取「交集」（A ∩ B），我們只需隱藏第一欄和第二欄，只顯示第三欄。

comm -12 list_a.txt list_b.txt

輸出：

banana
cherry

4. 僅顯示差異行（不含交集）

有時我們只關心「哪裡不同」，而不關心誰多誰少。可以使用 -23 來隱藏第二欄和第三欄，但這會只剩下第一欄。若要看兩邊獨有的部分，可以分別執行 -23 和 -13，或者使用更聰明的技巧：

# 顯示僅在 A 中的項目
comm -23 list_a.txt list_b.txt

# 顯示僅在 B 中的項目
comm -13 list_a.txt list_b.txt

常見問題與注意事項

1. 為什麼輸出結果是空的或錯誤的？

這是新手最常遇到的問題。comm 對排序非常敏感。如果 list_a.txt 中的 Apple 和 apple 混用，或者檔案不是依 ASCII 碼排序，comm 會認為它們是不同的字串，導致結果混亂。

解決方案：在比較前，務必確認檔案已排序。若檔案內容包含大小寫混合，建議使用 sort -f（忽略大小寫）來排序，但需注意這樣會改變比較邏輯。

sort -f list_a.txt > list_a_sorted.txt
sort -f list_b.txt > list_b_sorted.txt
comm list_a_sorted.txt list_b_sorted.txt

2. 如何處理大檔案或效能問題？

comm 是記憶體友好型的指令，它採用類似合併排序（Merge Sort）的演算法，只需一次掃描兩個檔案即可產生結果，時間複雜度為 O(N+M)，效能遠優於使用 grep -F -x -v 等指令進行逐行比對。

然而，若檔案極大（例如 GB 級別），請確保磁碟 I/O 足夠快，並避免在排序階段產生過多的暫存檔。若來源資料未排序，sort 步驟可能會成為效能瓶頸，此時可考慮使用 sort -T /dev/shm 將暫存檔放在記憶體磁碟機上以提升速度。

小結

comm 是一個被低估的 Linux 工具，特別適合用於處理已排序的純文字列表。它簡潔的輸出格式和強大的過濾選項，使其成為 Shell 腳本中進行集合運算的理想選擇。記住兩個關鍵點：輸入必須排序，以及善用 -1, -2, -3 選項來精準控制輸出內容。掌握 comm，能讓你在處理名單比對、資料稽核等任務時更加得心應手。