文本處理
目錄
文本處理 文件查找 定製搜索 找到後的後續動作 -print的定界符 grep 文本搜索 xargs 命令行參數轉換 sort 排序 uniq 消除重複行 用tr進行轉換 cut 按列切分文本 paste 按列拼接文本 wc 統計行和字符的工具 sed 文本替換利器 awk 數據流處理工具 print 打印當前行 特殊變量: NR NF $0 $1 $2 傳遞外部變量 用樣式對awk處理的行進行過濾 設置定界符 讀取命令輸出 在awk中使用循環 awk實現head、tail命令 打印指定列 打印指定文本區域 awk常用內建函數 迭代文件中的行、單詞和字符
- 迭代文件中的每一行 2.迭代一行中的每一個單詞
- 迭代每一個字符 本節將介紹Linux下使用Shell處理文本時最常用的工具: 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腳本使用的原則是命令單行書寫,儘量不要超過2行; 如果有更為複雜的任務需求,還是考慮python吧;
3.1. 文件查找 查找txt和pdf文件:
find . \( -name "*.txt" -o -name "*.pdf" \) -print
正則方式查找.txt和pdf:
find . -regex ".*\(\.txt|\.pdf\)$"
-iregex: 忽略大小寫的正則
否定參數 ,查找所有非txt文本:
find . ! -name "*.txt" -print
指定搜索深度,打印出當前目錄的文件(深度為1):
find . -maxdepth 1 -type f
定製搜索 按類型搜索
find . -type d -print //只列出所有目錄
-type f 文件 / l 符號鏈接
按時間搜索 -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 (元數據或權限變化) 最近第7天被訪問過的所有文件:
find . -atime 7 -type f -print
最近7天內被訪問過的所有文件:
find . -atime -7 -type f -print
查詢7天前被訪問過的所有文件:
find . -atime +7 type f -print
按大小搜索: w字 k M G 尋找大於2k的文件:
find . -type f -size +2k
按權限查找:
find . -type f -perm 644 -print //找具有可執行權限的所有文件
按用戶查找:
find . -type f -user weber -print// 找用戶weber所擁有的文件
找到後的後續動作 刪除 刪除當前目錄下所有的swp文件:
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) 將當前目錄下的所有權變更為weber:
find . -type f -user root -exec chown weber {} \;
注:{}是一個特殊的字符串,對於每一個匹配的文件,{}會被替換成相應的文件名;
將找到的文件全都copy到另一個目錄:
find . -type f -mtime +10 -name "*.txt" -exec cp {} OLD \;
結合多個命令 如果需要後續執行多個命令,可以將多個命令寫成一個腳本。然後 -exec 調用時執行腳本即可:
-exec ./commands.sh {} \; -print的定界符 默認使用’\n’作為文件的定界符;
-print0 使用’\0’作為文件的定界符,這樣就可以搜索包含空格的文件;
3.2. grep 文本搜索
grep match_patten file // 默認訪問匹配行
常用參數
-o 只輸出匹配的文本行 VS -v 只輸出沒有匹配的文本行 -c 統計文件中包含文本的次數 grep -c “text” filename
-n 打印匹配的行號 -i 搜索時忽略大小寫 -l 只打印文件名 在多級目錄中對文本遞歸搜索(程序員搜代碼的最愛):
grep "class" . -R -n
匹配多個模式:
grep -e "class" -e "vitural" file
grep輸出以0作為結尾符的文件名(-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查找查找出來:
cat LOG.* | tr a-z A-Z | grep "FROM " | grep "WHERE" > b
3.3. xargs 命令行參數轉換 xargs 能夠將輸入數據轉化為特定命令的命令行參數;這樣,可以配合很多命令來組合使用。比如grep,比如find; - 將多行輸出轉化為單行輸出
cat file.txt| xargs
n 是多行文本間的定界符
將單行轉化為多行輸出
cat single.txt | xargs -n 3
-n:指定每行顯示的字段數
xargs參數說明
-d 定義定界符 (默認為空格 多行的定界符為 n) -n 指定輸出為多行 -I {} 指定替換字符串,這個字符串在xargs擴展時會被替換掉,用於待執行的命令需要多個參數時 -0:指定0為輸入定界符 示例:
cat file.txt | xargs -I {} ./command.sh -p {} -1
#統計程序行數
find source_dir/ -type f -name "*.cpp" -print0 |xargs -0 wc -l
3.4. sort 排序 字段說明
-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符
3.5. uniq 消除重複行 消除重複行
sort unsort.txt | uniq
統計各行在文件中出現的次數
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 比較字符數
3.6. 用tr進行轉換 通用用法
echo 12345 | tr '0-9' '9876543210' //加解密轉換,替換對應字符
cat text| tr '\t' ' ' //製表符轉空格
tr刪除字符
cat file | tr -d '0-9' // 刪除所有數字
-c 求補集
cat file | tr -c '0-9' //獲取文件中所有數字
cat file | tr -d -c '0-9 \n' //刪除非數字數據
tr壓縮字符 tr -s 壓縮文本中出現的重複字符;最常用於壓縮多餘的空格:
cat file | tr -s ' '
字符類 tr中可用各種字符類: alnum:字母和數字 alpha:字母 digit:數字 space:空白字符 lower:小寫 upper:大寫 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:]'
3.7. 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 取的範圍 N- 第N個字段到結尾 -M 第1個字段為M N-M N到M個字段 cut 取的單位 -b 以字節為單位 -c 以字符為單位 -f 以字段為單位(使用定界符) 示例:
cut -c1-5 file //打印第一到5個字符
cut -c-2 file //打印前2個字符
截取文本的第5到第7列
$echo string | cut -c5-7
3.8. paste 按列拼接文本 將兩個文本按列拼接到一起;
cat file1
1
2
cat file2
colin
book
paste file1 file2
1 colin
2 book
默認的定界符是製表符,可以用-d指明定界符:
paste file1 file2 -d ","
1,colin
2,book
3.9. wc 統計行和字符的工具
$wc -l file // 統計行數
$wc -w file // 統計單詞數
$wc -c file // 統計字符數
3.10. sed 文本替換利器 首處替換
sed 's/text/replace_text/' file //替換每一行的第一處匹配的text
全局替換
sed 's/text/replace_text/g' file
默認替換後,輸出替換後的內容,如果需要直接替換原文件,使用-i:
sed -i 's/text/repalce_text/g' file
移除空白行
sed '/^$/d' file
變量轉換 已匹配的字符串通過標記&來引用.
echo this is en example | sed 's/\w+/[&]/g'
$>[this] [is] [en] [example]
子串匹配標記 第一個匹配的括號內容使用標記 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/$var/HLLOE/'
當使用雙引號時,我們可以在sed樣式和替換字符串中指定變量;
eg:
p=patten
r=replaced
echo "line con a patten" | sed "s/$p/$r/g"
$>line con a replaced
其它示例 字符串插入字符:將文本中每行內容(ABCDEF) 轉換為 ABC/DEF:
sed 's/^.\{3\}/&\//g' file
3.11. awk 數據流處理工具 awk腳本結構
awk ' BEGIN{ statements } statements2 END{ statements } '
工作方式 1.執行begin中語句塊;
2.從文件或stdin中讀入一行,然後執行statements2,重複這個過程,直到文件全部被讀取完畢;
3.執行end語句塊;
print 打印當前行 使用不帶參數的print時,會打印當前行
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-拼接符的方式(”“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,在執行過程中對應當前行號;
NF:表示字段數量,在執行過程總對應當前行的字段數;
$0:這個變量包含執行過程中當前行的文本內容;
$1:第一個字段的文本內容;
$2:第二個字段的文本內容;
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個字段
awk '{print $2, $3}' file
統計文件的行數
awk ' END {print NR}' file
累加每一行的第一個字段
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 # 輸入來自文件
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的打印出來
awk '/linux/' #包含linux文本的行(可以用正則表達式來指定,超級強大)
awk '!/linux/' #不包含linux文本的行
設置定界符 使用-F來設置定界符(默認為空格):
awk -F: '{print $NF}' /etc/passwd
讀取命令輸出 使用getline,將外部shell命令的輸出讀入到變量cmdout中:
echo | awk '{"grep root /etc/passwd" | getline cmdout; print cmdout }'
在awk中使用循環
for(i=0;i<10;i++){print $i;}
for(i in array){print array[i];}
以逆序的形式打印行:(tac命令的實現):
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方式實現
ls -lrt | awk '{print $6}'
cut方式實現
ls -lrt | cut -f6
打印指定文本區域 確定行號
seq 100| awk 'NR==4,NR==6{print}'
確定文本 打印處於start_pattern 和end_pattern之間的文本:
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):將正則匹配到的第一處內容替換為replacement_str;
match(regex,string):檢查正則表達式是否能夠匹配字符串;
length(string):返回字符串長度
echo | awk '{"grep root /etc/passwd" | getline cmdout; print length(cmdout) }'
printf 類似c語言中的printf,對輸出進行格式化:
seq 10 | awk '{printf "->%4s\n", $1}'
3.12. 迭代文件中的行、單詞和字符
- 迭代文件中的每一行
while 循環法 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.迭代一行中的每一個單詞
for word in $line;
do
echo $word;
done
- 迭代每一個字符 ${string:start_pos:num_of_chars}:從字符串中提取一個字符;(bash文本切片)
${#word}:返回變量word的長度
for((i=0;i<${#word};i++))
do
echo ${word:i:1);
done
以ASCII字符顯示文件:
$od -c filename