本節將介紹Linux下使用Shell處理文字時最常用的工具： find、grep、xargs、sort、uniq、tr、cut、paste、wc、sed、awk； 提供的例子和參數都是常用的。
我對shell腳本使用的原則是指令單行書寫，盡量不要超過2行； 如果有更為複雜的任務需求，還是考慮python吧。
1. find 檔案搜尋
搜尋txt和pdf檔案:
find . \( -name "*.txt" -o -name "*.pdf" \) -print
正則模式搜尋.txt和pdf:
find . -regex ".*\(\.txt|\.pdf\)$"
-iregex： 忽略大小寫的正則
否定參數 ,搜尋所有非txt文字:
find . ! -name "*.txt" -print
指定搜尋深度,列印出現用的目錄的檔案（深度為1）:
find . -maxdepth 1 -type f
定制搜尋
- 按類型搜尋
find . -type d -print //只列出所有目錄
-type f 檔案 / l 符號連結 / d 目錄
find支援的檔案檢索類型可以區分普通檔案和符號連結、目錄等，但是二進位檔案和文字檔案無法直接通過find的類型區分出來；
file指令可以檢查檔案具體類型（二進位或文字）:
$file redis-cli # 二進位檔案
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 # 文字檔案
redis.pid: ASCII text
所以,可以用以下指令組合來實現搜尋本地目錄下的所有二進位檔案:
ls -lrt | awk '{print $9}'|xargs file|grep ELF| awk '{print $1}'|tr -d ':'
-
- 按時間搜尋
-
- -atime 訪問時間 (單位是天，分鐘單位則是-amin，以下類似）
- -mtime 修改時間 （內容被修改）
- -ctime 變化時間 （元資料或權限變化）
最近第7天被訪問過的所有檔案:
find . -atime 7 -type f -print
最近7天內被訪問過的所有檔案:
find . -atime -7 -type f -print
查詢7天前被訪問過的所有檔案:
find . -atime +7 type f -print
- 按大小搜尋：
w字 k M G 尋找大於2k的檔案:
find . -type f -size +2k
按權限搜尋:
find . -type f -perm 644 -print //找具有可執行權限的所有檔案
按使用者搜尋:
find . -type f -user weber -print// 找使用者weber所擁有的檔案
- 刪除
刪除現用的目錄下所有的swp檔案:
find . -type f -name "*.swp" -delete
另一種語法:
find . type f -name "*.swp" | xargs rm
- 執行動作（強大的exec）
將現用的目錄下的所有權變更為weber:
find . -type f -user root -exec chown weber {} \;
註：{}是一個特殊的字串，對於每一個符合的檔案，{}會被置換成相應的檔名；
將找到的檔案全都copy到另一個目錄:
find . -type f -mtime +10 -name "*.txt" -exec cp {} OLD \;
- 結合多個指令
如果需要後續執行多個指令，可以將多個指令寫成一個腳本。然後 -exec 呼叫時執行腳本即可:
-exec ./commands.sh {} \;
2. grep 文字搜尋
grep match_patten file // 預設訪問符合行
常用參數
- -o 只輸出符合的文字行 VS -v 只輸出沒有符合的文字行
-
- -c 統計檔案中包括文字的次數
- grep -c “text” filename
- -n 列印符合的行號
- -i 搜尋時忽略大小寫
- -l 只列印檔名
在多級目錄中對文字遞歸搜尋(程式員搜代碼的最愛）:
grep "class" . -R -n
符合多個模式:
grep -e "class" -e "vitural" file
grep輸出以0作為結尾符的檔名（-z）:
grep "test" file* -lZ| xargs -0 rm
綜合應用：將日誌中的所有帶where條件的sql搜尋搜尋出來:
cat LOG.* | tr a-z A-Z | grep "FROM " | grep "WHERE" > b
搜尋中文示例：專案目錄中utf-8格式和gb2312格式兩種檔案，要搜尋字的是中文；
-
搜尋到它的utf-8編碼和gb2312編碼分別是E4B8ADE69687和D6D0CEC4
-
查詢:
grep：grep -rnP "\xE4\xB8\xAD\xE6\x96\x87|\xD6\xD0\xCE\xC4" *即可
3. xargs 指令行參數轉換
xargs 能夠將輸入資料轉化為特定指令的指令行參數；這樣，可以配合很多指令來組合使用。比如grep，比如find； – 將多行輸出轉化為單行輸出
cat file.txt| xargs
n 是多行文字間的定界符
- 將單行轉化為多行輸出
cat single.txt | xargs -n 3
-n：指定每行顯示的欄位數
xargs參數說明
- -d 定義定界符 （預設為空格 多行的定界符為 n）
- -n 指定輸出為多行
- -I {} 指定置換字串，這個字串在xargs擴展時會被置換掉,用於待執行的指令需要多個參數時
- -0：指定0為輸入定界符
示例:
cat file.txt | xargs -I {} ./command.sh -p {} -1
#統計程式行數
find source_dir/ -type f -name "*.cpp" -print0 |xargs -0 wc -l
#redis通過string存儲資料，通過set存儲索引，需要通過索引來查詢出所有的值：
./redis-cli smembers $1 | awk '{print $1}'|xargs -I {} ./redis-cli get {}
4. sort 排序
欄位說明
- -n 按數字進行排序 VS -d 按字典序進行排序
- -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 // 忽略像空格之類的前導空白字元
5. uniq 消除重複行
- 消除重複行
sort unsort.txt | uniq
- 統計各行在檔案中出現的次數
sort unsort.txt | uniq -c
- 找出重複行
sort unsort.txt | uniq -d
可指定每行中需要比較的重複內容：-s 開始位置 -w 比較字元數
6. 用tr進行轉換
- 通用用法
echo 12345 | tr '0-9' '9876543210' //加解密轉換，置換對應字元
cat text| tr '\t' ' ' //製表符轉空格
- tr刪除字元
cat file | tr -d '0-9' // 刪除所有數字
-c 求補集
cat file | tr -c '0-9' //取得檔案中所有數字
cat file | tr -d -c '0-9 \n' //刪除非數字資料
- tr壓縮字元
tr -s 壓縮文字中出現的重複字元；最常用於壓縮多餘的空格:
cat file | tr -s ' '
- 字元類
- tr中可用各種字元類：
-
- alnum：字母和數字
- alpha：字母
- digit：數字
- space：空白字元
- lower：小寫
- upper：大寫
- cntrl：控制（非可列印）字元
- print：可列印字元
使用方法：tr [:class:] [:class:]
tr '[:lower:]' '[:upper:]'
7. cut 按列切分文字
- 截取檔案的第2列和第4列
cut -f2,4 filename
- 去檔案除第3列的所有列
cut -f3 --complement filename
- -d 指定定界符
cat -f2 -d";" filename
-
- cut 取的範圍
-
- N- 第N個欄位到結尾
- -M 第1個欄位為M
- N-M N到M個欄位
-
- cut 取的單位
-
- -b 以位元組為單位
- -c 以字元為單位
- -f 以欄位為單位（使用定界符）
示例:
cut -c1-5 file //列印第一到5個字元
cut -c-2 file //列印前2個字元
截取文字的第5到第7列
$echo string | cut -c5-7
8. paste 按列拼接文字
將兩個文字按列拼接到一起;
cat file1
1
2
cat file2
colin
book
paste file1 file2
1 colin
2 book
預設的定界符是製表符，可以用-d指明定界符:
paste file1 file2 -d ","
1,colin
2,book
9. wc 統計行和字元的工具
$wc -l file // 統計行數
$wc -w file // 統計單詞數
$wc -c file // 統計字元數
10. sed 文字置換利器
- 首處置換
sed 's/text/replace_text/' file //置換每一行的第一處符合的text
- 全局置換
sed 's/text/replace_text/g' file
預設置換後，輸出置換後的內容，如果需要直接置換原檔案,使用-i:
sed -i 's/text/repalce_text/g' file
- 移除空白行
sed '/^$/d' file
- 變量轉換
已符合的字串通過標示&來引用.
echo this is en example | sed 's/\w+/[&]/g'
$>[this] [is] [en] [example]
- 子串符合標示
第一個符合的括號內容使用標示 1 來引用
sed 's/hello\([0-9]\)/\1/'
- 雙引號求值
sed通常用單引號來引用；也可使用雙引號，使用雙引號後，雙引號會對表達式求值:
sed 's/$var/HLLOE/'
當使用雙引號時，我們可以在sed樣式和置換字串中指定變量；
eg:
p=patten
r=replaced
echo "line con a patten" | sed "s/$p/$r/g"
$>line con a replaced
- 其它示例
字串插入字元：將文字中每行內容（ABCDEF） 轉換為 ABC/DEF:
sed 's/^.\{3\}/&\//g' file
11. awk 資料流處理工具
- awk腳本結構
awk ' BEGIN{ statements } statements2 END{ statements } '
- 工作模式
1.執行begin中語句塊；
2.從檔案或stdin中讀入一行，然後執行statements2，重複這個過程，直到檔案全部被讀取完畢；
3.執行end語句塊；
print 列印現用的行
- 使用不帶參數的print時，會列印現用的行
echo -e "line1\nline2" | awk 'BEGIN{print "start"} {print } END{ print "End" }'
- print 以逗號分割時，參數以空格定界;
echo | awk ' {var1 = "v1" ; var2 = "V2"; var3="v3"; \
print var1, var2 , var3; }'
$>v1 V2 v3
- 使用-拼接符的模式（”“作為拼接符）;
echo | awk ' {var1 = "v1" ; var2 = "V2"; var3="v3"; \
print var1"-"var2"-"var3; }'
$>v1-V2-v3
特殊變量： NR NF $0 $1 $2
NR:表示記錄數量，在執行過程中對應現用的行號；
NF:表示欄位數量，在執行過程總對應現用的行的欄位數；
$0:這個變量包括執行過程中現用的行的文字內容；
$1:第一個欄位的文字內容；
$2:第二個欄位的文字內容；
echo -e "line1 f2 f3\n line2 \n line 3" | awk '{print NR":"$0"-"$1"-"$2}'
- 列印每一行的第二和第三個欄位
awk '{print $2, $3}' file
- 統計檔案的行數
awk ' END {print NR}' file
- 累加每一行的第一個欄位
echo -e "1\n 2\n 3\n 4\n" | awk 'BEGIN{num = 0 ;
print "begin";} {sum += $1;} END {print "=="; print sum }'
傳遞外部變量
var=1000
echo | awk '{print vara}' vara=$var # 輸入來自stdin
awk '{print vara}' vara=$var file # 輸入來自檔案
用樣式對awk處理的行進行過濾
awk 'NR < 5' #行號小於5
awk 'NR==1,NR==4 {print}' file #行號等於1和4的列印出來
awk '/linux/' #包括linux文字的行（可以用正則表達式來指定，超級強大）
awk '!/linux/' #不包括linux文字的行
讀取指令輸出
使用getline，將外部shell指令的輸出讀入到變量cmdout中:
echo | awk '{"grep root /etc/passwd" | getline cmdout; print cmdout }'
在awk中使用迴圈
for(i=0;i<10;i++){print $i;}
for(i in array){print array[i];}
eg:以下字串，列印出其中的時間串:
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: # 這種模式會將最後一個冒號列印出來
$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 # 這種模式滿足需求
而如果需要將後面的部分也列印出來(時間部分和後文分開列印):
$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
以逆序的形式列印行：(tac指令的實現）:
seq 9| \
awk '{lifo[NR] = $0; lno=NR} \
END{ for(;lno>-1;lno--){print lifo[lno];}
} '
awk實現head、tail指令
- head
awk 'NR<=10{print}' filename
- tail
awk '{buffer[NR%10] = $0;} END{for(i=0;i<11;i++){ \
print buffer[i %10]} } ' filename
列印指定文字區域
- 確定行號
seq 100| awk 'NR==4,NR==6{print}'
- 確定文字
列印處於start_pattern 和end_pattern之間的文字:
awk '/start_pattern/, /end_pattern/' filename
示例:
seq 100 | awk '/13/,/15/'
cat /etc/passwd| awk '/mai.*mail/,/news.*news/'
awk常用內建函數
index(string,search_string):返回search_string在string中出現的位置
sub(regex,replacement_str,string):將正則符合到的第一處內容置換為replacement_str;
match(regex,string):檢查正則表達式是否能夠符合字串；
length(string)：返回字串長度
echo | awk '{"grep root /etc/passwd" | getline cmdout; print length(cmdout) }'
printf 類似c語系中的printf，對輸出進行格式化:
seq 10 | awk '{printf "->%4s\n", $1}'
