Aus zwei zusammenkopierten Listen wird schnell eine mit Wiederholungen, und von Hand findet man sie ab etwa fünfzig Zeilen nicht mehr zuverlässig. Der Rechner streicht jede Zeile, die schon einmal vorkam, und behält die erste.
Wichtig ist dabei, was als gleich gilt. „Schmidt@example.de“ und „schmidt@example.de“ sind dieselbe Adresse, weil der Teil hinter dem @ nicht auf Groß- und Kleinschreibung achtet — „müller“ und „mueller“ dagegen sind zwei verschiedene Zeichenfolgen, auch wenn dieselbe Person dahintersteht.
Was der Vergleich nicht sieht
Verglichen werden Zeichenfolgen, nicht Bedeutungen. Ein unsichtbares geschütztes Leerzeichen am Zeilenende, ein ä als a mit gesetztem Trema statt als einzelnes Zeichen, ein Tabulator statt eines Leerzeichens — jedes davon macht aus einer Wiederholung eine eigene Zeile.
Die Option, Leerzeichen am Rand zu ignorieren, fängt den häufigsten dieser Fälle ab. Wer aus einem Mac-Verzeichnis kopiert hat, sollte zusätzlich prüfen, ob die Umlaute zerlegt sind — dafür gibt es den Unicode-Zeichenprüfer.
Reihenfolge nach Häufigkeit
Wer wissen will, welcher Eintrag am häufigsten vorkam, sortiert danach statt alphabetisch. Bei Fehlerprotokollen und Suchanfragen ist das oft die eigentliche Frage — nicht welche Zeilen es gibt, sondern welche sich am meisten wiederholen.
Die Zahl hinter jeder Zeile in der Übersicht der Wiederholungen zählt alle Vorkommen, nicht nur die gestrichenen. Eine Zeile mit der Angabe „3 mal“ stand also dreimal in der Liste und einmal im Ergebnis.