Linux文字處理詳細教程

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；

print 列印當前行

• 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