Linux文字處理詳細教程

說故事的五公子發表於2020-08-07

1. 文字處理

本節將介紹Linux下使用Shell處理文字時最常用的工具: find、grep、xargs、sort、uniq、tr、cut、paste、wc、sed、awk; 提供的例子和引數都是常用的; 我對shell指令碼使用的原則是命令單行書寫,儘量不要超過2行; 如果有更為複雜的任務需求,還是考慮python吧;

1.1. find 檔案查詢

查詢txt和pdf檔案:

find . \( -name "*.txt" -o -name "*.pdf" \) -print

正則方式查詢.txt和pdf:

find . -regex  ".*\(\.txt|\.pdf\)$"

-iregex: 忽略大小寫的正則

否定引數 ,查詢所有非txt文字:

find . ! -name "*.txt" -print

指定搜尋深度,列印出當前目錄的檔案(深度為1):

find . -maxdepth 1 -type f

定製搜尋

  • 按型別搜尋
find . -type d -print  //只列出所有目錄

-type f 檔案 / l 符號連結 / d 目錄

find支援的檔案檢索型別可以區分普通檔案和符號連結、目錄等,但是二進位制檔案和文字檔案無法直接通過find的型別區分出來;

file命令可以檢查檔案具體型別(二進位制或文字):

$file redis-cli  # 二進位制檔案
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
$file redis.pid  # 文字檔案
redis.pid: ASCII text

所以,可以用以下命令組合來實現查詢本地目錄下的所有二進位制檔案:

ls -lrt | awk '{print $9}'|xargs file|grep  ELF| awk '{print $1}'|tr -d ':'
    • 按時間搜尋

      -atime 訪問時間 (單位是天,分鐘單位則是-amin,以下類似)-mtime 修改時間 (內容被修改)-ctime 變化時間 (後設資料或許可權變化)

最近第7天被訪問過的所有檔案:

find . -atime 7 -type f -print

最近7天內被訪問過的所有檔案:

find . -atime -7 -type f -print

查詢7天前被訪問過的所有檔案:

find . -atime +7 type f -print
  • 按大小搜尋:

w字 k M G 尋找大於2k的檔案:

find . -type f -size +2k

按許可權查詢:

find . -type f -perm 644 -print //找具有可執行許可權的所有檔案

按使用者查詢:

find . -type f -user weber -print// 找使用者weber所擁有的檔案

找到後的後續動作

  • 刪除

刪除當前目錄下所有的swp檔案:

find . -type f -name "*.swp" -delete

另一種語法:

find . type f -name "*.swp" | xargs rm
  • 執行動作(強大的exec)

將當前目錄下的所有權變更為weber:

find . -type f -user root -exec chown weber {} \;

注:{}是一個特殊的字串,對於每一個匹配的檔案,{}會被替換成相應的檔名;

將找到的檔案全都copy到另一個目錄:

find . -type f -mtime +10 -name "*.txt" -exec cp {} OLD \;
  • 結合多個命令

如果需要後續執行多個命令,可以將多個命令寫成一個指令碼。然後 -exec 呼叫時執行指令碼即可:

-exec ./commands.sh {} \;

-print的定界符

預設使用’\n’作為檔案的定界符;

-print0 使用’\0’作為檔案的定界符,這樣就可以搜尋包含空格的檔案;

1.2. grep 文字搜尋

grep match_patten file // 預設訪問匹配行

常用引數

  • -o 只輸出匹配的文字行 VS -v 只輸出沒有匹配的文字行

    • -c 統計檔案中包含文字的次數

      grep -c “text” filename

  • -n 列印匹配的行號

  • -i 搜尋時忽略大小寫

  • -l 只列印檔名

在多級目錄中對文字遞迴搜尋(程式設計師搜程式碼的最愛):

grep "class" . -R -n

匹配多個模式:

grep -e "class" -e "vitural" file

grep輸出以0作為結尾符的檔名(-z):

grep "test" file* -lZ| xargs -0 rm

綜合應用:將日誌中的所有帶where條件的sql查詢查詢出來:

cat LOG.* | tr a-z A-Z | grep "FROM " | grep "WHERE" > b

查詢中文示例:工程目錄中utf-8格式和gb2312格式兩種檔案,要查詢字的是中文;

  1. 查詢到它的utf-8編碼和gb2312編碼分別是E4B8ADE69687和D6D0CEC4

  2. 查詢:

    grep:grep -rnP "\xE4\xB8\xAD\xE6\x96\x87|\xD6\xD0\xCE\xC4" *即可
    

漢字編碼查詢:http://bm.kdd.cc/

1.3. xargs 命令列引數轉換

xargs 能夠將輸入資料轉化為特定命令的命令列引數;這樣,可以配合很多命令來組合使用。比如grep,比如find; - 將多行輸出轉化為單行輸出

cat file.txt| xargs

n 是多行文字間的定界符

  • 將單行轉化為多行輸出
cat single.txt | xargs -n 3

-n:指定每行顯示的欄位數

xargs引數說明

  • -d 定義定界符 (預設為空格 多行的定界符為 n)
  • -n 指定輸出為多行
  • -I {} 指定替換字串,這個字串在xargs擴充套件時會被替換掉,用於待執行的命令需要多個引數時
  • -0:指定0為輸入定界符

示例:

cat file.txt | xargs -I {} ./command.sh -p {} -1

#統計程式行數
find source_dir/ -type f -name "*.cpp" -print0 |xargs -0 wc -l

#redis通過string儲存資料,通過set儲存索引,需要通過索引來查詢出所有的值:
./redis-cli smembers $1  | awk '{print $1}'|xargs -I {} ./redis-cli get {}

1.4. sort 排序

欄位說明

  • -n 按數字進行排序 VS -d 按字典序進行排序
  • -r 逆序排序
  • -k N 指定按第N列排序

示例:

sort -nrk 1 data.txt
sort -bd data // 忽略像空格之類的前導空白字元

1.5. uniq 消除重複行

  • 消除重複行
sort unsort.txt | uniq
  • 統計各行在檔案中出現的次數
sort unsort.txt | uniq -c
  • 找出重複行
sort unsort.txt | uniq -d

可指定每行中需要比較的重複內容:-s 開始位置 -w 比較字元數

1.6. 用tr進行轉換

  • 通用用法
echo 12345 | tr '0-9' '9876543210' //加解密轉換,替換對應字元
cat text| tr '\t' ' '  //製表符轉空格
  • tr刪除字元
cat file | tr -d '0-9' // 刪除所有數字

-c 求補集

cat file | tr -c '0-9' //獲取檔案中所有數字
cat file | tr -d -c '0-9 \n'  //刪除非數字資料
  • tr壓縮字元

tr -s 壓縮文字中出現的重複字元;最常用於壓縮多餘的空格:

cat file | tr -s ' '
  • 字元類

  • tr中可用各種字元類:

    alnum:字母和數字alpha:字母digit:數字space:空白字元lower:小寫upper:大寫cntrl:控制(非可列印)字元print:可列印字元

使用方法:tr [:class:] [:class:]

tr '[:lower:]' '[:upper:]'

1.7. cut 按列切分文字

  • 擷取檔案的第2列和第4列
cut -f2,4 filename
  • 去檔案除第3列的所有列
cut -f3 --complement filename
  • -d 指定定界符
cat -f2 -d";" filename
    • cut 取的範圍

      N- 第N個欄位到結尾-M 第1個欄位為MN-M N到M個欄位

    • cut 取的單位

      -b 以位元組為單位-c 以字元為單位-f 以欄位為單位(使用定界符)

示例:

cut -c1-5 file //列印第一到5個字元
cut -c-2 file  //列印前2個字元

擷取文字的第5到第7列

$echo string | cut -c5-7

1.8. paste 按列拼接文字

將兩個文字按列拼接到一起;

cat file1
1
2

cat file2
colin
book

paste file1 file2
1 colin
2 book

預設的定界符是製表符,可以用-d指明定界符:

paste file1 file2 -d ","
1,colin
2,book

1.9. wc 統計行和字元的工具

$wc -l file // 統計行數

$wc -w file // 統計單詞數

$wc -c file // 統計字元數

1.10. sed 文字替換利器

  • 首處替換
sed 's/text/replace_text/' file   //替換每一行的第一處匹配的text
  • 全域性替換
sed 's/text/replace_text/g' file

預設替換後,輸出替換後的內容,如果需要直接替換原檔案,使用-i:

sed -i 's/text/repalce_text/g' file
  • 移除空白行
sed '/^$/d' file
  • 變數轉換

已匹配的字串通過標記&來引用.

echo this is en example | sed 's/\w+/[&]/g'
$>[this]  [is] [en] [example]
  • 子串匹配標記

第一個匹配的括號內容使用標記 1 來引用

sed 's/hello\([0-9]\)/\1/'
  • 雙引號求值

sed通常用單引號來引用;也可使用雙引號,使用雙引號後,雙引號會對錶達式求值:

sed 's/$var/HLLOE/'

當使用雙引號時,我們可以在sed樣式和替換字串中指定變數;

eg:
p=patten
r=replaced
echo "line con a patten" | sed "s/$p/$r/g"
$>line con a replaced
  • 其它示例

字串插入字元:將文字中每行內容(ABCDEF) 轉換為 ABC/DEF:

sed 's/^.\{3\}/&\//g' file

1.11. awk 資料流處理工具

  • awk指令碼結構
awk ' BEGIN{ statements } statements2 END{ statements } '
  • 工作方式

1.執行begin中語句塊;

2.從檔案或stdin中讀入一行,然後執行statements2,重複這個過程,直到檔案全部被讀取完畢;

3.執行end語句塊;

  • 使用不帶引數的print時,會列印當前行
echo -e "line1\nline2" | awk 'BEGIN{print "start"} {print } END{ print "End" }'
  • print 以逗號分割時,引數以空格定界;
echo | awk ' {var1 = "v1" ; var2 = "V2"; var3="v3"; \
print var1, var2 , var3; }'
$>v1 V2 v3
  • 使用-拼接符的方式(”“作為拼接符);
echo | awk ' {var1 = "v1" ; var2 = "V2"; var3="v3"; \
print var1"-"var2"-"var3; }'
$>v1-V2-v3

特殊變數: NR NF $0 $1 $2

NR:表示記錄數量,在執行過程中對應當前行號;

NF:表示欄位數量,在執行過程總對應當前行的欄位數;

$0:這個變數包含執行過程中當前行的文字內容;

$1:第一個欄位的文字內容;

$2:第二個欄位的文字內容;

echo -e "line1 f2 f3\n line2 \n line 3" | awk '{print NR":"$0"-"$1"-"$2}'
  • 列印每一行的第二和第三個欄位
awk '{print $2, $3}' file
  • 統計檔案的行數
awk ' END {print NR}' file
  • 累加每一行的第一個欄位
echo -e "1\n 2\n 3\n 4\n" | awk 'BEGIN{num = 0 ;
print "begin";} {sum += $1;} END {print "=="; print sum }'

傳遞外部變數

var=1000
echo | awk '{print vara}' vara=$var #  輸入來自stdin
awk '{print vara}' vara=$var file # 輸入來自檔案

用樣式對awk處理的行進行過濾

awk 'NR < 5' #行號小於5
awk 'NR==1,NR==4 {print}' file #行號等於1和4的列印出來
awk '/linux/' #包含linux文字的行(可以用正規表示式來指定,超級強大)
awk '!/linux/' #不包含linux文字的行

設定定界符

使用-F來設定定界符(預設為空格):

awk -F: '{print $NF}' /etc/passwd

讀取命令輸出

使用getline,將外部shell命令的輸出讀入到變數cmdout中:

echo | awk '{"grep root /etc/passwd" | getline cmdout; print cmdout }'

在awk中使用迴圈

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

eg:以下字串,列印出其中的時間串:

2015_04_02 20:20:08: mysqli connect failed, please check connect info
$echo '2015_04_02 20:20:08: mysqli connect failed, please check connect info'|awk -F ":" '{ for(i=1;i<=;i++) printf("%s:",$i)}'
>2015_04_02 20:20:08:  # 這種方式會將最後一個冒號列印出來
$echo '2015_04_02 20:20:08: mysqli connect failed, please check connect info'|awk -F':' '{print $1 ":" $2 ":" $3; }'
>2015_04_02 20:20:08   # 這種方式滿足需求

而如果需要將後面的部分也列印出來(時間部分和後文分開列印):

$echo '2015_04_02 20:20:08: mysqli connect failed, please check connect info'|awk -F':' '{print $1 ":" $2 ":" $3; print $4;}'
>2015_04_02 20:20:08
>mysqli connect failed, please check connect info

以逆序的形式列印行:(tac命令的實現):

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

awk結合grep找到指定的服務,然後將其kill掉

ps -fe| grep msv8 | grep -v MFORWARD | awk '{print $2}' | xargs kill -9;

awk實現head、tail命令

  • head
awk 'NR<=10{print}' filename
  • tail
awk '{buffer[NR%10] = $0;} END{for(i=0;i<11;i++){ \
print buffer[i %10]} } ' filename

列印指定列

  • awk方式實現
ls -lrt | awk '{print $6}'
  • cut方式實現
ls -lrt | cut -f6

列印指定文字區域

  • 確定行號
seq 100| awk 'NR==4,NR==6{print}'
  • 確定文字

列印處於start_pattern 和end_pattern之間的文字:

awk '/start_pattern/, /end_pattern/' filename

示例:

seq 100 | awk '/13/,/15/'
cat /etc/passwd| awk '/mai.*mail/,/news.*news/'

awk常用內建函式

index(string,search_string):返回search_string在string中出現的位置

sub(regex,replacement_str,string):將正則匹配到的第一處內容替換為replacement_str;

match(regex,string):檢查正規表示式是否能夠匹配字串;

length(string):返回字串長度

echo | awk '{"grep root /etc/passwd" | getline cmdout; print length(cmdout) }'

printf 類似c語言中的printf,對輸出進行格式化:

seq 10 | awk '{printf "->%4s\n", $1}'

1.12. 迭代檔案中的行、單詞和字元

1. 迭代檔案中的每一行

  • while 迴圈法
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
cat file.txt| awk '{print}'

2.迭代一行中的每一個單詞

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

3. 迭代每一個字元

${string:start_pos:num_of_chars}:從字串中提取一個字元;(bash文字切片)

${#word}:返回變數word的長度

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

以ASCII字元顯示檔案:

$od -c filename

相關文章