.. _03_text_processing: 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； 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； 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； 1. 查找到它的utf-8编码和gb2312编码分别是E4B8ADE69687和D6D0CEC4 2. 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/ 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 {} 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 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:] :: 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 :: cut -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 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 $wc -c file // 统计字符数 sed 文本替换利器 ------------------------------ - 首处替换 :: sed 's/text/replace_text/' file //替换每一行的第一处匹配的text - 全局替换 :: sed 's/text/replace_text/g' file 默认替换后，输出替换后的内容，如果需要直接替换原文件,使用-i:: sed -i 's/text/repalce_text/g' file - 移除空白行 :: sed '/^$/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 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}' 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