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

1. 迭代文件中的每一行 2.迭代一行中的每一個單詞
2. 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

1. 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

1. 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