Linux文本处理


Linux下使用Shell处理文本时最常用的工具: find、grep、xargs、sort、uniq、tr、cut、paste、wc、sed、awk; 提供的例子和参数都是常用的

【find 文件查找】

    查找txt和pdf文件:

[root@wzxaini9 ~]# find . \( -name "*.txt" -o -name "*.pdf" \) -print

    正则方式查找.txt和pdf:

[root@wzxaini9 ~]# find . -regex  ".*\(\.txt|\.pdf\)$"

    -iregex: 忽略大小写的正则

    否定参数 ,查找所有非txt文本:

[root@wzxaini9 ~]# find . ! -name "*.txt" -print

    指定搜索深度,打印出当前目录的文件(深度为1):

[root@wzxaini9 ~]# find . -maxdepth 1 -type f

定制搜索

    ·    按类型搜索

    只列出所有目录

[root@wzxaini9 ~]# find . -type d -print

    -type f 文件 / l 符号链接 / d 目录-type f 文件 / l 符号链接 / d 目录

    find支持的文件检索类型可以区分普通文件和符号链接、目录等,但是二进制文件和文本文件无法直接通过find的类型区分出来;

    file命令可以检查文件具体类型(二进制或文本):

[root@wzxaini9 ~]# file redis-cli  # 二进制文件
redis-cli: ELF 64-bit LSB executable, x86-64, version 1 (SYSV), dynamically linked (uses shared libs), for GNU/Linux 2.6.9, not stripped
[root@wzxaini9 ~]# file redis.pid  # 文本文件
redis.pid: ASCII text

    所以,可以用以下命令组合来实现查找本地目录下的所有二进制文件:

[root@wzxaini9 ~]# ls -lrt | awk '{print $9}'|xargs file|grep  ELF| awk '{print $1}'|tr -d ':'

    ·    按时间搜索

        ·    -atime 访问时间 (单位是天,分钟单位则是-amin,以下类似)

        ·    -mtime 修改时间 (内容被修改)

        ·    -ctime 变化时间 (元数据或权限变化)

    最近第7天被访问过的所有文件:

[root@wzxaini9 ~]# find . -atime 7 -type f -print

    最近7天内被访问过的所有文件:

[root@wzxaini9 ~]# find . -atime -7 -type f -print

    查询7天前被访问过的所有文件:

[root@wzxaini9 ~]# find . -atime +7 type f -print

    ·    按大小搜索

        w字 k M G 寻找大于2k的文件:

[root@wzxaini9 ~]# find . -type f -size +2k

    ·    按权限查找

        找具有可执行权限的所有文件

[root@wzxaini9 ~]# find . -type f -perm 644 -print

    ·    按用户查找

        找用户weber所拥有的文件

[root@wzxaini9 ~]# find . -type f -user weber -print

找到后的后续动作

    ·    删除

    删除当前目录下所有的swp文件:

[root@wzxaini9 ~]# find . -type f -name "*.swp" -delete

    另一种语法:

[root@wzxaini9 ~]# find . type f -name "*.swp" | xargs rm

    ·    执行动作(强大的exec)

    将当前目录下的所有权变更为weber:

[root@wzxaini9 ~]# find . -type f -user root -exec chown weber {} \;

    注:{}是一个特殊的字符串,对于每一个匹配的文件,{}会被替换成相应的文件名;

    将找到的文件全都copy到另一个目录:

[root@wzxaini9 ~]# find . -type f -mtime +10 -name "*.txt" -exec cp {} OLD \;

    ·    结合多个命令

    如果需要后续执行多个命令,可以将多个命令写成一个脚本。然后 -exec 调用时执行脚本即可:

[root@wzxaini9 ~]# -exec ./commands.sh {} \;

-print的定界符

    默认使用’\n’作为文件的定界符;

    -print0 使用’\0’作为文件的定界符,这样就可以搜索包含空格的文件


【grep 文本搜索】

默认访问匹配行

[root@wzxaini9 ~]# grep match_patten file

    常用参数

    ·    -o 只输出匹配的文本行 VS -v 只输出没有匹配的文本行

    ·    -c 统计文件中包含文本的次数

        grep -c “text” filename

    ·    -n 打印匹配的行号

    ·    -i 搜索时忽略大小写

    ·    -l 只打印文件名

    在多级目录中对文本递归搜索(程序员搜代码的最爱):

[root@wzxaini9 ~]# grep "class" . -R -n

匹配多个模式:

[root@wzxaini9 ~]# grep -e "class" -e "vitural" file

    grep输出以0作为结尾符的文件名(-z):

[root@wzxaini9 ~]# grep "test" file* -lZ| xargs -0 rm

综合应用:将日志中的所有带where条件的sql查找查找出来:

[root@wzxaini9 ~]# cat LOG.* | tr a-z A-Z | grep "FROM " | grep "WHERE" > b

查找中文示例:工程目录中utf-8格式和gb2312格式两种文件,要查找字的是中文;

    查找到它的utf-8编码和gb2312编码分别是E4B8ADE69687和D6D0CEC4

    查询:

[root@wzxaini9 ~]# grep:grep -rnP "\xE4\xB8\xAD\xE6\x96\x87|\xD6\xD0\xCE\xC4"


【xargs 命令行参数转换】

    xargs 能够将输入数据转化为特定命令的命令行参数;这样,可以配合很多命令来组合使用。

    比如grep,比如find; - 将多行输出转化为单行输出

[root@wzxaini9 ~]# cat file.txt| xargs

    n 是多行文本间的定界符

    ·    将单行转化为多行输出

[root@wzxaini9 ~]# cat single.txt | xargs -n 3

    -n:指定每行显示的字段数

    xargs参数说明

    ·    -d 定义定界符 (默认为空格 多行的定界符为 n)

    ·    -n 指定输出为多行

    ·    -I {} 指定替换字符串,这个字符串在xargs扩展时会被替换掉,用于待执行的命令需要多个参数时

    ·    -0:指定0为输入定界符

    例:

[root@wzxaini9 ~]# cat file.txt | xargs -I {} ./command.sh -p {} -1

    统计程序行数

[root@wzxaini9 ~]# find source_dir/ -type f -name "*.cpp" -print0 |xargs -0 wc -l

    redis通过string存储数据,通过set存储索引,需要通过索引来查询出所有的值:

[root@wzxaini9 ~]# ./redis-cli smembers $1  | awk '{print $1}'|xargs -I {} ./redis-cli get {}


【sort 排序】

    字段说明

    ·    -n 按数字进行排序 VS -d 按字典序进行排序

    ·    -r 逆序排序

    ·    -k N 指定按第N列排序

    例:

[root@wzxaini9 ~]# sort -nrk 1 data.txt

    忽略像空格之类的前导空白字符

[root@wzxaini9 ~]# sort -bd data


【uniq 消除重复行】

    ·    消除重复行

[root@wzxaini9 ~]# sort unsort.txt | uniq

    ·    统计各行在文件中出现的次数

[root@wzxaini9 ~]# sort unsort.txt | uniq -c

    ·    找出重复行

[root@wzxaini9 ~]# sort unsort.txt | uniq -d

    可指定每行中需要比较的重复内容:-s 开始位置 -w 比较字符数


【用tr进行转换】

    ·    通用用法

    加解密转换,替换对应字符

[root@wzxaini9 ~]# echo 12345 | tr '0-9' '9876543210'

    制表符转空格

[root@wzxaini9 ~]# cat text| tr '\t' ' '

    ·    tr删除字符

    删除所有数字

[root@wzxaini9 ~]# cat file | tr -d '0-9'

    -c 求补集

    获取文件中所有数字

[root@wzxaini9 ~]# cat file | tr -c '0-9'

    删除非数字数据

[root@wzxaini9 ~]# cat file | tr -d -c '0-9 \n'

    ·    tr压缩字符

    tr -s 压缩文本中出现的重复字符;最常用于压缩多余的空格:

[root@wzxaini9 ~]# cat file | tr -s ' '

    ·    字符类

    tr中可用各种字符类:

        ·    alnum:字母和数字

        ·    alpha:字母

        ·    digit:数字

        ·    space:空白字符

        ·    lower:小写

        ·    upper:大写

        ·    cntrl:控制(非可打印)字符

        ·    print:可打印字符

    使用方法:tr [:class:] [:class:]

[root@wzxaini9 ~]# tr '[:lower:]' '[:upper:]'


【cut 按列切分文本】

    截取文件的第2列和第4列

[root@wzxaini9 ~]# cut -f2,4 filename

    去文件除第3列的所有列

[root@wzxaini9 ~]# cut -f3 --complement filename

    -d 指定定界符

[root@wzxaini9 ~]# cat -f2 -d";" filename

    cut 取的范围

    ·    N- 第N个字段到结尾

    ·    -M 第1个字段为M

    ·    N-M N到M个字段

    cut 取的单位

    ·    -b 以字节为单位

    ·    -c 以字符为单位

    ·    -f 以字段为单位(使用定界符)

    例:

    打印第一到5个字符

[root@wzxaini9 ~]# cut -c1-5 file

    打印前2个字符

[root@wzxaini9 ~]# cut -c-2 file

    截取文本的第5到第7列

[root@wzxaini9 ~]# echo string | cut -c5-7


【paste 按列拼接文本】

    将两个文本按列拼接到一起;

[root@wzxaini9 ~]# cat file1
1
2
[root@wzxaini9 ~]# cat file2
colin
book
[root@wzxaini9 ~]# paste file1 file2
1 colin
2 book

    默认的定界符是制表符,可以用-d指明定界符:

[root@wzxaini9 ~]# paste file1 file2 -d ","
1,colin
2,book


【wc 统计行和字符的工具】

    统计行数

[root@wzxaini9 ~]# wc -l a.txt
59 a.txt

    统计单词数

[root@wzxaini9 ~]#  wc -w a.txt 
61 a.txt

    统计字符数

[root@wzxaini9 ~]# wc -c a.txt 
421 a.txt


【sed 文本替换利器】

    首处替换

    替换每一行的第一处匹配的text

[root@wzxaini9 ~]# sed 's/text/replace_text/' file

    全局替换

[root@wzxaini9 ~]# sed 's/text/replace_text/g' file

    默认替换后,输出替换后的内容,如果需要直接替换原文件,使用-i:

[root@wzxaini9 ~]# sed -i 's/text/repalce_text/g' file

    移除空白行

[root@wzxaini9 ~]# sed '/^$/d' file

    变量转换

    已匹配的字符串通过标记&来引用.

[root@wzxaini9 ~]# echo this is en a.txt | sed 's/\w+/[&]/g'
this is en a.txt

    子串匹配标记

    第一个匹配的括号内容使用标记 1 来引用

[root@wzxaini9 ~]# sed 's/hello\([0-9]\)/\1/'

    双引号求值

    sed通常用单引号来引用;也可使用双引号,使用双引号后,双引号会对表达式求值:

[root@wzxaini9 ~]# sed 's/$var/HLLOE/'

    当使用双引号时,我们可以在sed样式和替换字符串中指定变量;

    例:

p=patten
r=replaced
echo "line con a patten" | sed "s/$p/$r/g"
$>line con a replaced

    其它示例

    字符串插入字符:将文本中每行内容(ABCDEF) 转换为 ABC/DEF:

[root@wzxaini9 ~]# sed 's/^.\{3\}/&\//g' file


【awk 数据流处理工具】

    awk脚本结构

[root@wzxaini9 ~]# awk ' BEGIN{ statements } statements2 END{ statements } '

    工作方式

        1、执行begin中语句块;

        2、从文件或stdin中读入一行,然后执行statements2,重复这个过程,直到文件全部被读取完毕;

        3、执行end语句块;

print 打印当前行

    使用不带参数的print时,会打印当前行

echo | awk ' {var1 = "v1" ; var2 = "V2"; var3="v3"; \
print var1, var2 , var3; }'
$>v1 V2 v3

    使用-拼接符的方式(”“作为拼接符);

echo | awk ' {var1 = "v1" ; var2 = "V2"; var3="v3"; \
print var1"-"var2"-"var3; }'
$>v1-V2-v3

    特殊变量: NR NF $0 $1 $2

    ·    NR:表示记录数量,在执行过程中对应当前行号;

    ·    NF:表示字段数量,在执行过程总对应当前行的字段数;

    ·    $0:这个变量包含执行过程中当前行的文本内容;

    ·    $1:第一个字段的文本内容;

    ·    $2:第二个字段的文本内容;

[root@wzxaini9 ~]# echo -e "line1 f2 f3\n line2 \n line 3" | awk '{print NR":"$0"-"$1"-"$2}'

    打印每一行的第二和第三个字段

[root@wzxaini9 ~]# awk '{print $2, $3}' file

    统计文件的行数

[root@wzxaini9 ~]# awk ' END {print NR}' file

    累加每一行的第一个字段

echo -e "1\n 2\n 3\n 4\n" | awk 'BEGIN{num = 0 ;
print "begin";} {sum += $1;} END {print "=="; print sum }'

传递外部变量

var=1000
echo | awk '{print vara}' vara=$var #  输入来自stdin
awk '{print vara}' vara=$var file # 输入来自文件

用样式对awk处理的行进行过滤

awk 'NR < 5' #行号小于5
awk 'NR==1,NR==4 {print}' file #行号等于1和4的打印出来
awk '/linux/' #包含linux文本的行(可以用正则表达式来指定,超级强大)
awk '!/linux/' #不包含linux文本的行

设置定界符

    使用-F来设置定界符(默认为空格):

[root@wzxaini9 ~]# awk -F: '{print $NF}' /etc/passwd

读取命令输出

    使用getline,将外部shell命令的输出读入到变量cmdout中:

[root@wzxaini9 ~]# echo | awk '{"grep root /etc/passwd" | getline cmdout; print cmdout }'

在awk中使用循环

for(i=0;i<10;i++){print $i;}
for(i in array){print array[i];}

    例:以下字符串,打印出其中的时间串:

2019_04_29 16:20:08: mysqli connect failed, please check connect info
[root@wzxaini9 ~]# echo '2019_04_29 16:20:08: mysqli connect failed, please check connect info'|awk -F ":" '{ for(i=1;i<=;i++) printf("%s:",$i)}'
2019_04_29 16:20:08:  # 这种方式会将最后一个冒号打印出来
[root@wzxaini9 ~]# echo '2019_04_29 16:20:08: mysqli connect failed, please check connect info'|awk -F':' '{print $1 ":" $2 ":" $3; }'
2019_04_29 16:20:08   # 这种方式满足需求

    而如果需要将后面的部分也打印出来(时间部分和后文分开打印):

[root@wzxaini9 ~]# echo '2019_04_29 16:20:08: mysqli connect failed, please check connect info'|awk -F':' '{print $1 ":" $2 ":" $3; print $4;}'
2019_04_29 16:20:08
mysqli connect failed, please check connect info

    以逆序的形式打印行:(tac命令的实现):

seq 9| \
awk '{lifo[NR] = $0; lno=NR} \
END{ for(;lno>-1;lno--){print lifo[lno];}
} '

awk结合grep找到指定的服务,然后将其kill掉

[root@wzxaini9 ~]# ps -fe| grep msv8 | grep -v MFORWARD | awk '{print $2}' | xargs kill -9;

awk实现head、tail命令

    head

[root@wzxaini9 ~]# awk 'NR<=10{print}' filename

    tail

[root@wzxaini9 ~]# awk '{buffer[NR%10] = $0;} END{for(i=0;i<11;i++){ \
print buffer[i %10]} } ' filename

打印指定列

    awk方式实现

[root@wzxaini9 ~]# ls -lrt | awk '{print $6}'

    cut方式实现

[root@wzxaini9 ~]# ls -lrt | cut -f6

打印指定文本区域

    确定行号

[root@wzxaini9 ~]# seq 100| awk 'NR==4,NR==6{print}'

    确定文本

        打印处于start_pattern 和end_pattern之间的文本:

[root@wzxaini9 ~]# awk '/start_pattern/, /end_pattern/' filename

    例:

[root@wzxaini9 ~]# seq 100 | awk '/13/,/15/'
[root@wzxaini9 ~]# cat /etc/passwd| awk '/mai.*mail/,/news.*news/'

awk常用内建函数

    index(string,search_string):返回search_string在string中出现的位置

    sub(regex,replacement_str,string):将正则匹配到的第一处内容替换为replacement_str;

    match(regex,string):检查正则表达式是否能够匹配字符串;

    length(string):返回字符串长度

[root@wzxaini9 ~]# echo | awk '{"grep root /etc/passwd" | getline cmdout; print length(cmdout) }'

    printf 类似c语言中的printf,对输出进行格式化:

[root@wzxaini9 ~]# seq 10 | awk '{printf "->%4s\n", $1}'


【迭代文件中的行、单词和字符】

迭代文件中的每一行

    while 循环法

while read line;
do
echo $line;
done < file.txt

改成子shell:
cat file.txt | (while read line;do echo $line;done)

    awk法

[root@wzxaini9 ~]# cat file.txt| awk '{print}'

迭代一行中的每一个单词

for word in $line;
do
echo $word;
done

迭代每一个字符

${string:start_pos:num_of_chars}:从字符串中提取一个字符;(bash文本切片)

${#word}:返回变量word的长度

for((i=0;i<${#word};i++))
do
echo ${word:i:1);
done

    以ASCII字符显示文件:

[root@wzxaini9 ~]# od -c filename


上一篇 下一篇

评论

登录后可发表评论