搞定 Linux Shell 文本处理工具
本文将介绍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最常用和最为实用的；
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.
1、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
#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7天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：
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
#执行动作（强大的exec）
find . -type f -user root -exec chown weber {} ; //将当前目录下的所有权变更为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；
eg：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 tips: 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' '作为文件的定界符；
- -print0 使用''作为文件的定界符，这样就可以搜索包含空格的文件；
2、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输出以作为结尾符的文件名：（-z）
grep "test" file* -lZ| xargs -0 rm
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
- 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 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
cat file.txt | xargs -I {} ./command.sh -p {} -1
#-0：指定为输入定界符
#统计程序行数
find source_dir/ -type f -name "*.cpp" -print0 |xargs -0 wc -l
3、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
sort -nrk 1 data.txt
sort -bd data // 忽略像空格之类的前导空白字符
4、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
5、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 ' '' ' //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' //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:]
eg: tr
'[:lower:]''[:upper:]'
6、cut 按列切分文本
#截取文件的第2列和第4列：
cut -f2,4 filename
#去除文件第3列的所有列：
cut -f3 --complement filename
#-d 指定定界符：
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）
cut -c1-5 file //打印第一到5个字符
cut -c-2 file //打印前2个字符
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
1colin
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
8、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
9、sed 文本替换利器
首处替换
seg 's/text/replace_text/'file //替换每一行的第一处匹配的text
全局替换
seg '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：
seg -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 | seg 's/w+/[&]/g'
$>[this] [is] [en] [example]
子串匹配标记
第一个匹配的括号内容使用标记 来引用
sed 's/hello([0-9])//'
双引号求值
- sed通常用单引号来引用；也可使用双引号，使用双引号后，双引号会对表达式求值：
- sed 's/$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；
p=patten
r=replaced
echo "line con a patten"| sed "s/$p/$r/g"
$>line con a replaced
字符串插入字符：将文本中每行内容（PEKSHA） 转换为 PEK/SHA
sed 's/^.{3}/&//g' file
10、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 line2"| 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 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 line2 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 2 3 4 "| 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];}
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startpattern 和endpattern之间的文本；
awk '/start_pattern/, /end_pattern/' filename
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 ", $1}' #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}'
2.迭代一行中的每一个单词
for word in $line;
do
echo $word;
done
- 迭代每一个字符{#word}:返回变量word的长度
for ((i=0;i<${#word};i++))
do
echo ${word:i:1);
done
