文本處理

本節(jié)將介紹Linux下使用Shell處理文本時(shí)最常用的工具： find、grep、xargs、sort、uniq、tr、cut、paste、wc、sed、awk； 提供的例子和參數(shù)都是常用的； 我對(duì)shell腳本使用的原則是命令單行書寫，盡量不要超過2行； 如果有更為復(fù)雜的任務(wù)需求，還是考慮python吧；

find 文件查找

查找txt和pdf文件

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

正則方式查找.txt和pdf

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

-iregex： 忽略大小寫的正則

否定參數(shù) ,查找所有非txt文本

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

指定搜索深度,打印出當(dāng)前目錄的文件（深度為1）

find . -maxdepth 1 -type f

定制搜索

• 按類型搜索

    find . -type d -print  //只列出所有目錄
-type f 文件 / l 符號(hào)鏈接 / d  目錄 

find支持的文件檢索類型可以區(qū)分普通文件和符號(hào)鏈接、目錄等，但是二進(jìn)制文件和文本文件無法直接通過find的類型區(qū)分出來；

file命令可以檢查文件具體類型（二進(jìn)制或文本）

$file redis-cli  # 二進(jìn)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
$file redis.pid  # 文本文件
redis.pid: ASCII text

所以,可以用以下命令組合來實(shí)現(xiàn)查找本地目錄下的所有二進(jìn)制文件

ls -lrt | awk '{print $9}'|xargs file|grep  ELF| awk '{print $1}'|tr -d ':'

• 按時(shí)間搜索
  • -atime 訪問時(shí)間 (單位是天，分鐘單位則是-amin，以下類似）
  • -mtime 修改時(shí)間 （內(nèi)容被修改）
  • -ctime 變化時(shí)間 （元數(shù)據(jù)或權(quán)限變化）

最近第7天被訪問過的所有文件

find . -atime 7 -type f -print

最近7天內(nèi)被訪問過的所有文件

find . -atime -7 -type f -print

查詢7天前被訪問過的所有文件

find . -atime +7 type f -print

• 按大小搜索 w字 k M G尋找大于2k的文件

    find . -type f -size +2k

按權(quán)限查找

find . -type f -perm 644 -print //找具有可執(zhí)行權(quán)限的所有文件

按用戶查找

find . -type f -user weber -print// 找用戶weber所擁有的文件

找到后的后續(xù)動(dòng)作

刪除當(dāng)前目錄下所有的swp文件

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

另一種語法

find . type f -name "*.swp" | xargs rm

• 執(zhí)行動(dòng)作（強(qiáng)大的exec）

將當(dāng)前目錄下的所有權(quán)變更為weber

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

注：{}是一個(gè)特殊的字符串，對(duì)于每一個(gè)匹配的文件，{}會(huì)被替換成相應(yīng)的文件名；

將找到的文件全都copy到另一個(gè)目錄

find . -type f -mtime +10 -name "*.txt" -exec cp {} OLD \;

• 結(jié)合多個(gè)命令

如果需要后續(xù)執(zhí)行多個(gè)命令，可以將多個(gè)命令寫成一個(gè)腳本。然后 -exec 調(diào)用時(shí)執(zhí)行腳本即可

-exec ./commands.sh {} \;

-print的定界符

默認(rèn)使用'\\n'作為文件的定界符；

-print0 使用'\\0'作為文件的定界符，這樣就可以搜索包含空格的文件；

grep 文本搜索

grep match_patten file // 默認(rèn)訪問匹配行

常用參數(shù)

• -o 只輸出匹配的文本行 VS -v 只輸出沒有匹配的文本行
• -c 統(tǒng)計(jì)文件中包含文本的次數(shù) grep -c "text" filename
• -n 打印匹配的行號(hào)
• -i 搜索時(shí)忽略大小寫
• -l 只打印文件名

在多級(jí)目錄中對(duì)文本遞歸搜索(程序員搜代碼的最愛）

grep "class" . -R -n

匹配多個(gè)模式

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

grep輸出以\0作為結(jié)尾符的文件名（-z）

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

綜合應(yīng)用：將日志中的所有帶where條件的sql查找查找出來

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

查找中文示例：工程目錄中utf-8格式和gb2312格式兩種文件，要查找字的是中文；

1. 查找到它的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/

xargs 命令行參數(shù)轉(zhuǎn)換

xargs 能夠?qū)⑤斎霐?shù)據(jù)轉(zhuǎn)化為特定命令的命令行參數(shù)；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(zhuǎn)化為單行輸出

    cat file.txt| xargs

\n 是多行文本間的定界符

• 將單行轉(zhuǎn)化為多行輸出

    cat single.txt | xargs -n 3

-n：指定每行顯示的字段數(shù)

xargs參數(shù)說明

• -d 定義定界符 （默認(rèn)為空格 多行的定界符為 \n）
• -n 指定輸出為多行
• -I {} 指定替換字符串，這個(gè)字符串在xargs擴(kuò)展時(shí)會(huì)被替換掉,用于待執(zhí)行的命令需要多個(gè)參數(shù)時(shí)
• -0：指定\0為輸入定界符

示例

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

#統(tǒng)計(jì)程序行數(shù)
find source_dir/ -type f -name "*.cpp" -print0 |xargs -0 wc -l

#redis通過string存儲(chǔ)數(shù)據(jù)，通過set存儲(chǔ)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 {}

sort 排序

字段說明

• -n 按數(shù)字進(jìn)行排序 VS -d 按字典序進(jìn)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(dǎo)空白字符

uniq 消除重復(fù)行

• 消除重復(fù)行

    sort unsort.txt | uniq

• 統(tǒng)計(jì)各行在文件中出現(xiàn)的次數(shù)

    sort unsort.txt | uniq -c

• 找出重復(fù)行

    sort unsort.txt | uniq -d

可指定每行中需要比較的重復(fù)內(nèi)容：-s 開始位置 -w 比較字符數(shù)

用tr進(jìn)行轉(zhuǎn)換

• 通用用法

    echo 12345 | tr '0-9' '9876543210' //加解密轉(zhuǎn)換，替換對(duì)應(yīng)字符
    cat text| tr '\t' ' '  //制表符轉(zhuǎn)空格

• tr刪除字符

    cat file | tr -d '0-9' // 刪除所有數(shù)字

• c 求補(bǔ)集

    cat file | tr -c '0-9' //獲取文件中所有數(shù)字
    cat file | tr -d -c '0-9 \n'  //刪除非數(shù)字?jǐn)?shù)據(jù)

• tr壓縮字符 tr -s 壓縮文本中出現(xiàn)的重復(fù)字符；最常用于壓縮多余的空格

    cat file | tr -s ' '

• 字符類

tr中可用各種字符類：

• alnum：字母和數(shù)字
• alpha：字母
• digit：數(shù)字
• space：空白字符
• lower：小寫
• upper：大寫
• cntrl：控制（非可打印）字符
• print：可打印字符

使用方法：tr [:class:] [:class:]

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

cut 按列切分文本

• 截取文件的第2列和第4列

    cut -f2,4 filename

• 去文件除第3列的所有列

    cut -f3 --complement filename

• -d 指定定界符

    cat -f2 -d";" filename

• cut 取的范圍
  • N- 第N個(gè)字段到結(jié)尾
  • -M 第1個(gè)字段為M
  • N-M N到M個(gè)字段
• cut 取的單位
  • -b 以字節(jié)為單位
  • -c 以字符為單位
  • -f 以字段為單位（使用定界符）

示例

cut -c1-5 file //打印第一到5個(gè)字符
cut -c-2 file  //打印前2個(gè)字符

截取文本的第5到第7列

$echo string | cut -c5-7

paste 按列拼接文本

將兩個(gè)文本按列拼接到一起;

cat file1
1
2

cat file2
colin
book

paste file1 file2
1 colin
2 book

默認(rèn)的定界符是制表符，可以用-d指明定界符

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

wc 統(tǒng)計(jì)行和字符的工具

$wc -l file // 統(tǒng)計(jì)行數(shù)

$wc -w file // 統(tǒng)計(jì)單詞數(shù)

$wc -c file // 統(tǒng)計(jì)字符數(shù)

sed 文本替換利器

• 首處替換

    sed 's/text/replace_text/' file   //替換每一行的第一處匹配的text

• 全局替換

    sed 's/text/replace_text/g' file

默認(rèn)替換后，輸出替換后的內(nèi)容，如果需要直接替換原文件,使用-i

    sed -i 's/text/repalce_text/g' file

• 移除空白行

    sed '/^$/d' file

• 變量轉(zhuǎn)換 已匹配的字符串通過標(biāo)記&來引用.

    echo this is en example | sed 's/\w+/[&]/g'
    $>[this]  [is] [en] [example]

• 子串匹配標(biāo)記 第一個(gè)匹配的括號(hào)內(nèi)容使用標(biāo)記 \1 來引用

    sed 's/hello\([0-9]\)/\1/'

• 雙引號(hào)求值

sed通常用單引號(hào)來引用；也可使用雙引號(hào)，使用雙引號(hào)后，雙引號(hào)會(huì)對(duì)表達(dá)式求值

    sed 's/$var/HLLOE/'

當(dāng)使用雙引號(hào)時(shí)，我們可以在sed樣式和替換字符串中指定變量；

eg:
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：將文本中每行內(nèi)容（ABCDEF） 轉(zhuǎn)換為 ABC/DEF

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

awk 數(shù)據(jù)流處理工具

• awk腳本結(jié)構(gòu)

    awk ' BEGIN{ statements } statements2 END{ statements } '

• 工作方式 1.執(zhí)行begin中語句塊；

2.從文件或stdin中讀入一行，然后執(zhí)行statements2，重復(fù)這個(gè)過程，直到文件全部被讀取完畢；

3.執(zhí)行end語句塊；

print 打印當(dāng)前行

• 使用不帶參數(shù)的print時(shí)，會(huì)打印當(dāng)前行

    echo -e "line1\nline2" | awk 'BEGIN{print "start"} {print } END{ print "End" }'

• print 以逗號(hào)分割時(shí)，參數(shù)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

特殊變量： NR NF $0 $1 $2

NR:表示記錄數(shù)量，在執(zhí)行過程中對(duì)應(yīng)當(dāng)前行號(hào)；

NF:表示字段數(shù)量，在執(zhí)行過程總對(duì)應(yīng)當(dāng)前行的字段數(shù)；

$0:這個(gè)變量包含執(zhí)行過程中當(dāng)前行的文本內(nèi)容；

$1:第一個(gè)字段的文本內(nèi)容；

$2:第二個(gè)字段的文本內(nèi)容；

    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個(gè)字段

    awk '{print $2, $3}' file

• 統(tǒng)計(jì)文件的行數(shù)

    awk ' END {print NR}' file

• 累加每一行的第一個(gè)字段

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

傳遞外部變量

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

用樣式對(duì)awk處理的行進(jìn)行過濾

awk 'NR < 5' #行號(hào)小于5
awk 'NR==1,NR==4 {print}' file #行號(hào)等于1和4的打印出來
awk '/linux/' #包含linux文本的行（可以用正則表達(dá)式來指定，超級(jí)強(qiáng)大）
awk '!/linux/' #不包含linux文本的行

設(shè)置定界符

使用-F來設(shè)置定界符（默認(rèn)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量cmdout中

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

在awk中使用循環(huán)

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

eg:以下字符串，打印出其中的時(shí)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(huì)將最后一個(gè)冒號(hào)打印出來
$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

而如果需要將后面的部分也打印出來(時(shí)間部分和后文分開打印)

$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

以逆序的形式打印行：(tac命令的實(shí)現(xiàn)）

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

awk結(jié)合grep找到指定的服務(wù)，然后將其kill掉

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

awk實(shí)現(xiàn)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

打印指定列

• awk方式實(shí)現(xiàn)

    ls -lrt | awk '{print $6}'

• cut方式實(shí)現(xiàn)

    ls -lrt | cut -f6

打印指定文本區(qū)域

• 確定行號(hào)

    seq 100| awk 'NR==4,NR==6{print}'

• 確定文本 打印處于start_pattern 和end_pattern之間的文本

    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(nèi)建函數(shù)

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

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

match(regex,string):檢查正則表達(dá)式是否能夠匹配字符串；

length(string)：返回字符串長度

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

printf 類似c語言中的printf，對(duì)輸出進(jìn)行格式化

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

迭代文件中的行、單詞和字符

1. 迭代文件中的每一行

• while 循環(huán)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(gè)單詞

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

3. 迭代每一個(gè)字符

${string:start_pos:num_of_chars}：從字符串中提取一個(gè)字符；(bash文本切片）

${#word}:返回變量word的長度

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

以ASCII字符顯示文件

    $od -c filename