Linux Shell 文本处理工具

本文将介绍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最常用和最为实用的；
我对shell脚本使用的原则是命令单行书写，尽量不要超过2行；
如果有更为复杂的任务需求，还是考虑python吧；

find 文件查找

• 查找txt和pdf文件

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

• 正则方式查找.txt和pdf

    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

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

• 指定搜索深度
  打印出当前目录的文件（深度为1）

    find . -maxdepth 1 -type f  

定制搜索

• 按类型搜索：

    find . -type d -print  //只列出所有目录

  -type f 文件 / l 符号链接

• 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7天被访问过的所有文件：

    find . -atime 7 -type f -print

• 按大小搜索：
  w字 k M G
  寻找大于2k的文件

    find . -type f -size +2k

  按权限查找：

    find . -type f -perm 644 -print //找具有可执行权限的所有文件

  按用户查找：

    find . -type f -user weber -print// 找用户weber所拥有的文件

找到后的后续动作

• 删除：
  删除当前目录下所有的swp文件：

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

• 执行动作（强大的exec）

    find . -type f -user root -exec chown weber {} ; //将当前目录下的所有权变更为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；
  eg：将找到的文件全都copy到另一个目录：

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

• 结合多个命令
  tips: 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；

    -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

grep match_patten file // 默认访问匹配行

• 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）：

    grep \"class\" . -R -n

• 匹配多个模式

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

• grep输出以\0作为结尾符的文件名：（-z）

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

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
  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
  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
eg：

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

-0：指定\0为输入定界符
eg：统计程序行数

find source_dir/ -type f -name \"*.cpp\" -print0 |xargs -0 wc -l

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
eg：

sort -nrk 1 data.txt
sort -bd data // 忽略像空格之类的前导空白字符

uniq 消除重复行

• 消除重复行

    sort unsort.txt | uniq 

• 统计各行在文件中出现的次数

    sort unsort.txt | uniq -c

• 找出重复行

    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

    echo 12345 | tr \'0-9\' \'9876543210\' //加解密转换，替换对应字符
    cat text| tr \'t\' \' \'  //制表符转空格

• tr删除字符

    cat file | tr -d \'0-9\' // 删除所有数字

  -c 求补集

    cat file | tr -c \'0-9\' //获取文件中所有数字
    cat file | tr -d -c \'0-9 n\'  //删除非数字数据

• 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

    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:]

    eg: 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）
• eg:

    cut -c1-5 file //打印第一到5个字符
    cut -c-2 file  //打印前2个字符

paste 按列拼接文本

将两个文本按列拼接到一起;

cat file1
1
2

cat file2
colin
book

paste file1 file2
1 colin
2 book

默认的定界符是制表符，可以用-d指明定界符
paste file1 file2 -d \”,\”
1,colin
2,book

wc 统计行和字符的工具

wc -l file // 统计行数
wc -w file // 统计单词数
wc -c file // 统计字符数

sed 文本替换利器

• 首处替换

    seg \'s/text/replace_text/\' file   //替换每一行的第一处匹配的text

• 全局替换

     seg \'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：

    seg -i \'s/text/repalce_text/g\' file

• 移除空白行：

    sed \'/^$/d\' file

• 变量转换
  已匹配的字符串通过标记&来引用.

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

• 子串匹配标记
  第一个匹配的括号内容使用标记 1 来引用

    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：

    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；

  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：将文本中每行内容（PEKSHA） 转换为 PEK/SHA

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

awk 数据流处理工具

• awk脚本结构
  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 -e \"line1nline2\" | awk \'BEGIN{print \"start\"} {print } END{ print \"End\" }\' 

• print 以逗号分割时，参数以空格定界;

  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；

echo -e \"line1 f2 f3n line2 n line 3\" | awk \'{print NR\":\"$0\"-\"$1\"-\"$2}\'

• 打印每一行的第二和第三个字段：

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

• 统计文件的行数：

    awk \' END {print NR}\' file

• 累加每一行的第一个字段：

    echo -e \"1n 2n 3n 4n\" | 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）
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；

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];}

eg:
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实现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方式实现：

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

• cut方式实现

    ls -lrt | cut -f6

打印指定文本区域

• 确定行号

    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；

    awk \'/start_pattern/, /end_pattern/\' filename

  eg:

  seq 100 | awk \'/13/,/15/\'
  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

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
eg：

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

迭代文件中的行、单词和字符

1. 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：
  cat file.txt| awk \'{print}\’

2.迭代一行中的每一个单词

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

3. 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

 

Tagged as: linux