Linux Shell 文本处理工具

雨点打透心脏的1/2处 2022-04-24 08:20 218阅读 0赞

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；

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；

### 01 find 文件查找 ###

1 查找txt和pdf文件

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

2 正则方式查找.txt和pdf

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

\-iregex：忽略大小写的正则

3 否定参数

查找所有非txt文本

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

4 指定搜索深度

打印出当前目录的文件（深度为1）

1.  `find . -maxdepth 1 -type f`

5 定制搜索

按类型搜索：

1.  `find . -type d -print //只列出所有目录`
2.  `-type f 文件 / l 符号链接`

按时间搜索：

1.  `-atime 访问时间 (单位是天，分钟单位则是-amin，以下类似）`
2.   
3.  `-mtime 修改时间 （内容被修改）`
4.   
5.  `-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：

1.  `find . -atime 7 -type f -print`

按大小搜索：

w字 k M G

寻找大于2k的文件

1.  `find . -type f -size +2k`

按权限查找：

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

按用户查找：

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

6 找到后的后续动作

删除：

删除当前目录下所有的swp文件：

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

执行动作（强大的exec）

1.  `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：

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

7 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；

1.  `-exec ./commands.sh {} ;`

\-print的定界符

默认使用' '作为文件的定界符；

\-print0 使用''作为文件的定界符，这样就可以搜索包含空格的文件；

### 02 grep 文本搜索 ###

1.  `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

1.  `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

1 在多级目录中对文本递归搜索(程序员搜代码的最爱）：

1.  `grep "class" . -R -n`

2 匹配多个模式

1.  `grep -e "class" -e "vitural" file`

3 grep输出以作为结尾符的文件名：（-z）

1.  `grep "test" file* -lZ| xargs -0 rm`

4 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

1.  `cat file.txt| xargs`

是多行文本间的定界符

将单行转化为多行输出

1.  `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 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：

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

\-0：指定为输入定界符

eg：统计程序行数

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

### 03 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：

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

### 04 uniq 消除重复行 ###

消除重复行

1.  `sort unsort.txt | uniq`

统计各行在文件中出现的次数

1.  `sort unsort.txt | uniq -c`

找出重复行

1.  `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

### 05 用 tr 进行转换 ###

通用用法

1.  `echo 12345 | tr '0-9' '9876543210' //加解密转换，替换对应字符`
2.  `cat text| tr ' ' ' ' //制表符转空格`

tr删除字符

1.  `cat file | tr -d '0-9' // 删除所有数字`

\-c 求补集

1.  `cat file | tr -c '0-9' //获取文件中所有数字`
2.  `cat file | tr -d -c '0-9 ' //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

1.  `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 \[:class:\] \[:class:\]

1.  `eg: tr '[:lower:]' '[:upper:]'`

### 06 cut 按列切分文本 ###

截取文件的第2列和第4列：

1.  `cut -f2,4 filename`

去文件除第3列的所有列：

1.  `cut -f3 --complement filename`

\-d 指定定界符：

1.  `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:

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

### 07 paste 按列拼接文本 ###

将两个文本按列拼接到一起;

1.  `cat file1`
2.   
3.  `1`
4.  `2`
5.   
6.  `cat file2`
7.   
8.  `colin`
9.  `book`
10.  
11. `paste file1 file2`
12.  
13. `1 colin`
14. `2 book`

默认的定界符是制表符，可以用-d指明定界符

1.  `paste file1 file2 -d ","`
2.   
3.  `1,colin`
4.  `2,book`

### 08 wc 统计行和字符的工具 ###

1.  `wc -l file // 统计行数`
2.  `wc -w file // 统计单词数`
3.  `wc -c file // 统计字符数`

### 09 sed 文本替换利器 ###

首处替换

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

全局替换

1.  `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：

1.  `seg -i 's/text/repalce_text/g' file`

移除空白行：

1.  `sed '/^$/d' file`

变量转换

已匹配的字符串通过标记&来引用.

1.  `echo this is en example | seg 's/w+/[&]/g'`
2.   
3.  `$>[this] [is] [en] [example]`

子串匹配标记

第一个匹配的括号内容使用标记 来引用

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

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：

1.  `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；

1.  `eg:`
2.  `p=patten`
3.  `r=replaced`
4.  `echo "line con a patten" | sed "s/$p/$r/g"`
5.  `$>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

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

### 10 awk 数据流处理工具 ###

awk脚本结构

1.  `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;

1.  `echo -e "line1 line2" | awk 'BEGIN{print "start"} {print } END{ print "End" }'`

print 以逗号分割时，参数以空格定界;

1.  `echo | awk ' {var1 = "v1" ; var2 = "V2"; var3="v3";`
2.  `print var1, var2 , var3; }'`
3.  `$>v1 V2 v3`

使用-拼接符的方式（""作为拼接符）;

1.  `echo | awk ' {var1 = "v1" ; var2 = "V2"; var3="v3";`
2.  `print var1"-"var2"-"var3; }'`
3.  `$>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；

1.  `echo -e "line1 f2 f3 line2 line 3" | awk '{print NR":"$0"-"$1"-"$2}'`

打印每一行的第二和第三个字段：

1.  `awk '{print $2, $3}' file`

统计文件的行数：

1.  `awk ' END {print NR}' file`

累加每一行的第一个字段：

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

传递外部变量

1.  `var=1000`
2.  `echo | awk '{print vara}' vara=$var # 输入来自stdin`
3.  `awk '{print vara}' vara=$var file # 输入来自文件`

用样式对awk处理的行进行过滤

1.  `awk 'NR < 5' #行号小于5`
2.  `awk 'NR==1,NR==4 {print}' file #行号等于1和4的打印出来`
3.  `awk '/linux/' #包含linux文本的行（可以用正则表达式来指定，超级强大）`
4.  `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）

1.  `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；

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

在awk中使用循环

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

eg:

以逆序的形式打印行：(tac命令的实现）

1.  `seq 9|`
2.   
3.  `awk '{lifo[NR] = $0; lno=NR}`
4.   
5.  `END{ for(;lno>-1;lno--){print lifo[lno];}`
6.   
7.  `} '`

awk实现head、tail命令

1.  `head:`
2.  `awk 'NR<=10{print}' filename`

1.  `tail:`
2.  `awk '{buffer[NR%10] = $0;} END{for(i=0;i<11;i++){`
3.  `print buffer[i %10]} } ' filename`

打印指定列

awk方式实现：

1.  `ls -lrt | awk '{print $6}'`

cut方式实现

1.  `ls -lrt | cut -f6`

打印指定文本区域

确定行号

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

确定文本

打印处于startpattern 和endpattern之间的文本；

1.  `awk '/start_pattern/, /end_pattern/' filename`

1.  `eg:`
2.  `seq 100 | awk '/13/,/15/'`
3.  `cat /etc/passwd| awk '/mai.*mail/,/news.*news/'`

awk常用内建函数

1.  `index(string,search_string):返回search_string在string中出现的位置`
2.  `sub(regex,replacement_str,string):将正则匹配到的第一处内容替换为replacement_str;`
3.  `match(regex,string):检查正则表达式是否能够匹配字符串；`
4.  `length(string)：返回字符串长度`

1.  `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：

1.  `seq 10 | awk '{printf "->%4s ", $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

1.  `while read line;`
2.  `do`
3.  `echo $line;`
4.  `done < file.txt`

改成子shell:

1.  `cat file.txt | (while read line;do echo $line;done)`

awk法：

1.  `cat file.txt| awk '{print}'`