1. 首页
  2. 作品
  3. Linux 工具快速教程
  4. 3. 文本处理
Linux

3. 文本处理

本节将介绍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常用的； 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；

3.1. 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 / d 目录
  • find支持的文件检索类型可以区分普通文件和符号链接、目录等，但是二进制文件和文本文件无法直接通过find的类型区分出来；
  • file命令可以检查文件具体类型（二进制或文本）: 
    $file redis-cli  # 二进制文件
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,可以用以下命令组合来实现查找本地目录下的所有二进制文件: 
    ls -lrt | awk '{print $9}'|xargs file|grep  ELF| awk '{print $1}'|tr -d ':'
  • 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）
  • 最近第7天被访问过的所有文件: 
    find . -atime 7 -type f -print
  • 最近7天内被访问过的所有文件: 
    find . -atime -7 -type f -print
  • 查询7天前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
  • 另一种语法: 
    find . type f -name "*.swp" | xargs rm
  • 执行动作（强大的exec）
  • 将当前目录下的所有权变更为weber: 
    find . -type f -user root -exec chown 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；
  • 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

  • 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；

3.2. 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
  • 综合应用：将日志中的所有带where条件的SQL查找查找出来: 
    cat LOG.* | tr a-z A-Z | grep "FROM " | grep "WHERE" > b
  • 查找中文示例：工程目录中utf-8格式和gb2312格式两种文件，要查找字的是中文；
    • 查找到它的utf-8编码和gb2312编码分别是E4B8ADE69687和D6D0CEC4
    • 查询: 
      grep：grep -rnP "\xE4\xB8\xAD\xE6\x96\x87|\xD6\xD0\xCE\xC4" *即可
  • 汉字编码查询：http://bm.kdd.cc/

3.3. 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
    • -0：指定0为输入定界符
  • 示例: 
    cat file.txt | xargs -I {} ./command.sh -p {} -1
#统计程序行数
find source_dir/ -type f -name "*.cpp" -print0 |xargs -0 wc -l
#redis通过string存储数据，通过set存储索引，需要通过索引来查询出所有的值：
./redis-cli smembers $1  | awk '{print $1}'|xargs -I {} ./redis-cli get {}

3.4. 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
  • 示例: 
    sort -nrk 1 data.txt
sort -bd data // 忽略像空格之类的前导空白字符

3.5. 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

3.6. 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:] 
      tr '[:lower:]' '[:upper:]'

3.7. 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）
  • 示例: 
    cut -c1-5 file //打印第一到5个字符
cut -c-2 file  //打印前2个字符
  • 截取文本的第5到第7列 
    $echo string | cut -c5-7

3.8. 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

3.9. 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

3.10. sed 文本替换利器

  • 首处替换 
    sed 's/text/replace_text/' file   //替换每一行的第一处匹配的text
  • 全局替换 
    sed '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: 
    sed -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 | sed '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（ABCDEF） 转换为 ABC/DEF: 
    sed 's/^.\{3\}/&\//g' file

3.11. awk 数据流处理工具

  • awk脚本结构 
    awk ' BEGIN{ statements } statements2 END{ statements } '
  • 工作方式
    • 执行begin中语句块；
    • 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；
    • 执行end语句块；
  • 使用不带参数的print时，会打印当前行 
    echo -e "line1\nline2" | 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 f3\n 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 "1\n 2\n 3\n 4\n" | 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:以下字符串，打印出其中的时间串: 
    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:  # 这种方式会将最后一个冒号打印出来
$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   # 这种方式满足需求
  • 而如果需要将后面的部分也打印出来(时间部分和后文分开打印): 
    $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命令的实现）: 
    seq 9| \
awk '{lifo[NR] = $0; lno=NR} \
END{ for(;lno>-1;lno--){print lifo[lno];}
} '

awk结合grep找到指定的服务，然后将其kill掉

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

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

3.12. 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
  • 以ASCII字符显示文件: 
    $od -c filename
下一节：日程磁盘管理中，我们最常用的有查看当前磁盘使用情况，查看当前目录所占大小，以及打包压缩与解压缩；
作品《Linux 工具快速教程 - 3. 文本处理》由 独孤 发布于 匠果，转载请注明出处及链接地址： http://www.jiangguo.net/c/YqE/qy.html