Linux文本处理


Linux 文本处理

一、find 文件查找

基本查找

查找**.txt.pdf**文件:

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

正则方式查找**.txt.pdf**文件:

find . -regex ".*.[txt|pdf]$" -print

-iregex: 忽略大小写的正则

否定参数,查找所有非 .txt 文件:

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 f -print  // 只列出所有文件
find . -type d -print  // 只列出所有目录
find . -type l -print  // 只列出所有符号链接

-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):

[[email protected] ~]# file /bin/vim
/bin/vim: ELF 64-bit LSB executable, x86-64, version 1 (SYSV), dynamically linked (uses shared libs), for GNU/Linux 2.6.32, BuildID[sha1]=70d3b3bb75c8d735239f78142d00686c8a6a53dd, stripped

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(内容最后被修改的时间)
  • 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

寻找大于 2k的文件:

find . -type f -size +2k

按权限查找

查找权限为 644的文件

find . -type f -perm 644 -print

按用户查找

查找用户 truda所拥有的文件

find . -type f -user truda -print

找到后的后续操作

删除

删除当前目录下的所有txt 文件

find . -type f -name "*.txt" -delete

另一种语法:

find . type f -name "*.txt" | xargs rm

执行动作(exec)

将当前目录下所有权为 root 的文件变更所有权为 truda:

find . -type f -user root -exec chown truda {} \;

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;

将找到的文件全部 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 {} \;

默认使用“\n”作为文件的界定符;
-print 0 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;

二、grep 文本搜索

命令格式

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
  • -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
  • -n 打印匹配的行号
  • -i 搜索时忽略大小写
  • -l 只打印文件名

使用示例

在多级目录中对文本递归搜索:

grep "flag{" . -R -n

匹配多个模式:

grep -e "flag{" -e "vitural" file.txt

grep 输出以 0 为界定符的文件名(-z):

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

综合应用:将日志中的所有带 where 条件的 sql 查询语句查找出来:

cat LOG.* | tr a-z A-Z | grep "FROM " | grep "WHERE" > b

三、xargs 命令行参数转换

介绍

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、find。

参数说明

  • -d 定义界定符
  • -n 指定输出为多行
  • -l {} 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 为界定符

使用示例

多行输出转化为单行输出:

cat file.txt | xargs

单行转化为多行输出:

cat file.txt | xargs -n 3

-n:指定每行显示的字段数

四、sort 排序

参数说明

  • -n 按数字进行排序
  • -d 按字典序进行排序
  • -r 逆序排序
  • -k N 指定按第 N 列排序

使用示例

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

五、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

六、用 tr 进行转换

通用方法

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:]'

七、cut 按列切分文本

截取文件的第 2 列和第 4 列

cut -f2,4 filename

去除文件中除了第 3 列的所有列

cut -f3 --complement filename

-d 指定界定符

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

打印第 1 到 5 个字符:

cut -c 1-5 file

打印前 2 个字符:

cut -c -2 file

截取文本的第 5 到第 7 列:

echo string | cut -c5-7

八、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

九、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

十、sed 文本替换利器

首处替换

替换每一行的第一处匹配的 text:

sed 's/text/replace_text/' file

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]

子字符串标记

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,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

十一、awk 数据流处理工具

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;

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:

$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

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

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}'

十二、迭代文件中的行、单词和字符

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}'

迭代一行中的每一个单词

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

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

文章作者: Truda
版权声明: 本博客所有文章除特別声明外,均采用 CC BY 4.0 许可协议。转载请注明来源 Truda !
评论
  目录