Linux Shell 文本处理工具

by Web全栈工程师 on 2013 年 03 月 16 日

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

 

原创文章,转载请注明:转载自Web开发笔记 | Linux Shell 文本处理工具

本文链接地址:https://www.magentonotes.com/linux-shell-text-command.html

Comments on this entry are closed.

Previous post:

Next post: