Linux Shell 文本处理工具集锦

posted in: LINUX | 0

reprint:http://www.cnblogs.com/me115/p/3427319.html

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;
  • 我对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;

 

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:
# 只列出所有目录
find . -type d -print

-type f 文件 / l 符号链接

  • 按时间搜索:
# 最近7天被访问过的所有文件:
find . -atime 7 -type f -print

-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)

  • 按大小搜索:
# 寻找大于2k的文件
find . -type f -size +2k
# 按权限查找:找具有可执行权限的所有文件
find . -type f -perm 644 -print
# 按用户查找:找用户weber所拥有的文件
find . -type f -user weber -print

w字 k M G

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)
# 将当前目录下的所有权变更为weber
find . -type f -user root -exec chown weber {} \;
# 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 \;

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;

  • 结合多个命令
# 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’\n’作为文件的定界符;

-print0 使用’\0’作为文件的定界符,这样就可以搜索包含空格的文件;

 

grep 文本搜索

grep match_patten file // 默认访问匹配行

  • 常用参数
# 统计文件中包含text的次数
grep -c "text" filename

-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

-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\0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

\n 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
cat file.txt | xargs -I {} ./command.sh -p {} -1
# 统计程序行数
find source_dir/ -type f -name "*.cpp" -print0 |xargs -0 wc -l

-d 定义定界符 (默认为空格 多行的定界符为 \n)
-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
-0:指定\0为输入定界符

 

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
# 忽略像空格之类的前导空白字符
sort -bd data

 

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

 

用tr进行转换

  • 通用用法
# 加解密转换,替换对应字符
echo 12345 | tr '0-9' '9876543210'
# 制表符转空格
cat text| tr '\t' ' '
  • tr删除字符
# 删除所有数字
cat file | tr -d '0-9'

-c 求补集

# 获取文件中所有数字
cat file | tr -c '0-9'
# 删除非数字数据
cat file | tr -d -c '0-9 \n'
  • tr压缩字符
# 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:]

tr '[:lower:]' '[:upper:]'

 

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

  • 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)

# 打印第一到5个字符
cut -c1-5 file 
# 打印前2个字符
cut -c-2 file

 

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
1 colin
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

 

wc 统计行和字符的工具

# 统计行数
wc -l file 
# 统计单词数
wc -w file 
# 统计字符数
wc -c file

 

sed 文本替换利器

  • 首处替换
# 替换每一行的第一处匹配的text 
seg 's/text/replace_text/' file
  • 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 \1 来引用
sed 's/hello\([0-9]\)/\1/'
  • 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
  • 其它示例
# 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

 

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\nline2" | 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 $0 $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\n line2 \n 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\n 2\n 3\n 4\n" | 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];}

eg:
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start_pattern 和end_pattern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\n", $1}'

 

迭代文件中的行、单词和字符

1. 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

3. 迭代每一个字符

${string:start_pos:num_of_chars}:从字符串中提取一个字符;(bash文本切片)

${#word}:返回变量word的长度

for((i=0;i<${#word};i++))
do
echo ${word:i:1);
done