常用文本处理命令
Linux中很多文本工具都使用到了正则表达式，正则表达式可以极大的简化linux系统管理工作，因为网上有很多正则相关的教程，所以这里不再讲述，我当时看的是菜鸟的正则表达式，看个一下午在实验几遍基本就会了，除了正向肯定预查，反向肯定预查这几个比较复杂一些，其他都是非常简单的，很多时候记不住也可以查询网上对着写，并不需要你实时记住。这里主要谈谈awk等用到正则表达式的文本处理工具。
一、awk
awk的指令必须包含在单引号中。
基本句式
awk -F'指定输入分隔符' 'BEGIN{做一些初始化工作} 一些过滤条件 {针对每行的工作}... END{最后收尾工作}'
中间的处理块可以有多个，通过过滤条件单每行都会走一遍过滤条件，其中BEGIN和END边只会执行一遍
过滤记录
- awk '$30 && $6"LISTEN" ' netstat.txt
- awk '$30 && $6"LISTEN" || NR==1 ' netstat.txt
指定分隔符
awk -F: '{print $1,$3,$6}' /etc/passwd等价于awk 'BEGIN{FS=":"} {print $1,$3,$6}' /etc/passwdawk -F '[;:]'指定多个分隔符awk -F: '{print $1,$3,$6}' OFS="\t" /etc/passwd指定输出分隔符
需要注意的是上面print $1,$3,$6中的,被替换成了分隔符，如果是print $1$3$6则中间没有分隔符
特殊关键字：
- NR 目前处理的行号
- NF 当前处理的行一共用到的字段数目
- FNR 目前处理的文件的行号（当处理多个文件时，NR会不停的累加，但如果是FNR则在处理新文件是从1开始）
- FILENAME 文件名
- $0 当前整行
- FS 输入字段分隔符 默认是空格或Tab
- RS 输入记录分隔符 默认为换行符
- OFS 输出字段分隔符 默认是空格或Tab
- ORS 输出记录分隔符 默认为换行符
正则
- 普通匹配：
awk'/hello/ {print}' test.sh - 匹配取反：
awk '!/hello/ {print}' test.sh - 同时匹配：
awk '/hello/ && /world/ {print}' test.sh - 或者匹配：
awk '/hello/ || /world/ {print}' test.sh也可以写成awk '/hello|world/ {print}' test.sh - 指定列匹配：
awk '$5 ~ /hello/ {print}' test.sh - 指定列匹配取反：
awk '$5 !~ /hello/ {print}' test.sh
输出到不同的文件
$ awk 'NR!=1{if($6 ~ /TIME|ESTABLISHED/) print > "1.txt"; else if($6 ~ /LISTEN/) print > "2.txt"; else print > "3.txt" }' netstat.txtawk 'NR!=1{print > $6}' netstat.txt
其实使用了 >重定向,上例子使用了if语句
- 统计数据：
awk 'NR!=1{a[$6]++;} END {for (i in a) print i ", " a[i];}' netstat.txt - 行数筛选，开头和结尾的条件使用,分隔： awk '/test1/,/test2/ {print}' test.txt
和环境变量的交互
$ x=5
$ y=10
$ export y
$ echo $x $y
5 10
$ awk -v val=$x '{print $1, $2, $3, $4+val, $5+ENVIRON["y"]}' OFS="\t" score.txt
Marry 2143 78 89 87
Jack 2321 66 83 55
Tom 2122 48 82 81
Mike 2537 87 102 105
Bob 2415 40 62 72
二、grep
参数列表：
- -w 匹配整个单词
- -s 忽略文件不存在等报错
- -l 仅列出匹配文件列表
- -L 仅列出不匹配文件列表
- -A 显示后的行数 如-1 匹配行的后1行
- -B 显示前的行数 如-1 匹配行的前1行
- -number 显示前后的行数 如-1 匹配行的前后1行
- -n 打印行数
- -c 仅显示个数
- -v 反向
- -o 仅显示匹配的内容
- -E 则表示要使用EREs
- -P 则表示要使用PREs
grep主要就是一个正则表达式的使用，其中需要注意正则有三种BREs、EREs和PREs。前两种不支持非贪婪匹配。grep默认是BREs，所以他?,+,|,{,},（,）
这种字符都需要用\转义，另外他不支持\s，\S，\D，\d,\n等字符。
三、sed
sed命令在自动化脚本编写的过程还是经常用到的。
基本句式： sed -nfei [操作]
操作： n1,n2 动作
动作：
- d： 删除
- s： 替换，行内替换，行内匹配的字符串，如hello world该行替换hello为hi变成hi world
- a和i： a增加在匹配的后面增加行 i增加在匹配的前面增加行
- c ：替换，针对整行替换
例子：
sed -e 's/hello/hi/g':替换文本,-e可以省略sed -e '1,2s/hello/hi/g' -e '3,4s/world/man/g:等价于sed -e '1,2s/hello/hi/g；3,4s/world/man/gsed s/hello \(world\)/\1 hi/g':群组匹配，可以使用\n选择前面的群组
四、sort和uniq
sort参数
- -r： 默认升序，-r表示反序
- -u： 移除重复
- -o： 重定向到文件，注意
sort test.txt >test.txt不可用，因为> 是想清空文件，所以会导致文件在排序之前就清空了 - -n： 默认按字符排序，如10小于2，-n表示按数字排序
- -t： 指定分隔符
- -k： 指明用哪一列来做排序
- -b： 忽略每行前面开始出的空格字符
例子：
sort -t $'\t' -k 1 -u res.txt > res2.txt以tab作为分隔符，按第一列排序并去重
uniq参数
需要注意uniq需要文本是有序的，所以一般使用uniq的时候是用更早sort的管道后面
- -c：显示出现的次数
- -d：仅显示重复出现行；
- -u ：仅显示出一次的行列；
说说sort|uniq 和sort -u,一直觉得很奇怪，两者有什么区别，功能是一样的。sort -u是后面加入的，所以很多人还是使用了sort|uniq，
目前推荐使用sort -u，因为还少了进程间通讯。
五、实战
处理以下文件内容,将域名取出并进行计数排序,如处理:
http://www.baidu.com/index.html
http: / / www.baidu.com/1.html
http://post.baidu.com/index.html
http://mp3.baidu.com/index.html
http://www.baidu.com/3.html
http://post.baidu.com/2.html
得到如下结果:
3 www.baidu.com
2 post.baidu.com
1 mp3.baidu.com
解法1：grep -Po '(?<=//)(.*?)(?=/)' test.txt |sort |uniq -c|sort -nr
1.利用了Perl，他支持非贪婪，2.利用了正向和反向预查（正向预查是后面的(?=)) 3.利用了-o参数只输出匹配的内容
解法2：awk -F/ '{print $3}' test.txt |sort |uniq -c|sort -nr
指明了分割符号 直接取对应值
解法3：sed 's/http:\/\/\([^/]*\).*/\1/' test.txt|sort |uniq -c|sort -nr
基本的正则中小括号需要转义，如果采用-r参数即扩展的正则小括号不用转义
解法4： sed -e 's/http:\/\///' -e 's/\/.*//' | sort | uniq -c | sort -rn
采用了替换，先替换前面的，在替换后面的
awk例子
需要注意awk不支持多维数组，采用了一种变通的方式，普通的使用没问题，但是如果需要存的值是一个map就不合适了，如下
文件 1-6列分别为deal od sum up lj day ，现在要计算sum up lj day 的累加和输出
输出也要是deal od sum up lj day也就是sum up lj day需要是一个map，不过awk做不到这点
{
updealids:{
od: {day,sum,up,lj}
}
}
awk 'BEGIN{OFS="\t"}{result[$1,$3,"sum"]+=$4;result[$1,$3,"up"]+=$5;result[$1,$3,"lj"]+=$6;result[$1,$3,"day"]=$2}\
END{for ( i in result) {split(i, a, SUBSEP); print result[i] ,a[1], a[2], a[3] }}' *
参考资料：
