Linux Shell 文本处理工具集锦

蔚落 2022-06-17 14:06 222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；  
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 "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 "->%4s\n", $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