Shell 文本處理工具

轉載自：http://www.cnblogs.com/wish123/p/5540210.html 

 

Linux下使用Shell處理文本時最經常使用的工具：

find、grep、xargs、sort、uniq、tr、cut、paste、wc、sed、awk；

提供的例子和參數都是最經常使用和最爲實用的；

我對shell腳本使用的原則是命令單行書寫，儘可能不要超過2行；

若是有更爲複雜的任務需求，仍是考慮python吧；

find 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

• 否認參數查找全部非txt文本

     find . ! -name "*.txt" -print

• 指定搜索深度打印出當前目錄的文件（深度爲1）

    find . -maxdepth 1 -type f

定製搜索

• 按類型搜索：

    find . -type d -print  //只列出全部目錄

  -type f 文件 / l 符號連接

• 按時間搜索：-atime 訪問時間 (單位是天，分鐘單位則是-amin，如下相似）-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7天被訪問過的全部文件：

    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 //找具備可執行權限的全部文件

  按用戶查找：

    find . -type f -user weber -print// 找用戶weber所擁有的文件

找到後的後續動做

• 刪除：刪除當前目錄下全部的swp文件：

    find . -type f -name "*.swp" -delete

• 執行動做（強大的exec）

    find . -type f -user root -exec chown weber {} ; //將當前目錄下的全部權變動爲weber

  注：{}是一個特殊的字符串，對於每個匹配的文件，{}會被替換成相應的文件名；

  eg：將找到的文件全都copy到另外一個目錄：

    find . -type f -mtime +10 -name "*.txt" -exec cp {} OLD ;

• 結合多個命令tips: 若是須要後續執行多個命令，能夠將多個命令寫成一個腳本。而後 -exec 調用時執行腳本便可；

    -exec ./commands.sh {} \;

-print的定界符

默認使用’n’做爲文件的定界符；

-print0 使用」做爲文件的定界符，這樣就能夠搜索包含空格的文件；

grep 文本搜索

grep match_patten file // 默認訪問匹配行

• 經常使用參數-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輸出以做爲結尾符的文件名：（-z）

    grep "test" file* -lZ| xargs -0 rm

xargs 命令行參數轉換

xargs 可以將輸入數據轉化爲特定命令的命令行參數；這樣，能夠配合不少命令來組合使用。好比grep，好比find；

• 將多行輸出轉化爲單行輸出cat file.txt| xargsn 是多行文本間的定界符
• 將單行轉化爲多行輸出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 （默認爲空格 多行的定界符爲 n）

-n 指定輸出爲多行

-I {} 指定替換字符串，這個字符串在xargs擴展時會被替換掉,用於待執行的命令須要多個參數時

eg：

cat file.txt | xargs -I {} ./command.sh -p {} -1

-0：指定爲輸入定界符

eg：統計程序行數

find source_dir/ -type f -name "*.cpp" -print0 |xargs -0 wc -l

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

eg：

sort -nrk 1 data.txt
sort -bd data.txt // 忽略像空格之類的前導空白字符
cat data.txt|sort -t: -k1 -r //按冒號分隔符第一列倒序

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

  可指定每行中須要比較的重複內容：-s 開始位置 -w 比較字符數

split命令

能夠將一個大文件分割成不少個小文件，有時須要將文件分割成更小的片斷，好比爲提升可讀性，生成日誌等。

-b：值爲每一輸出檔案的大小，單位爲 byte。
-C：每一輸出檔中，單行的最大 byte 數。
-d：使用數字做爲後綴。
-l：值爲每一輸出檔的列數大小。
-a length來指定後綴的長度
   eg: 
     生成一個大小爲100KB的測試文件：
       dd if=/dev/zero bs=100k count=1 of=date.file
     爲分割後的文件指定文件名的前綴:
       split -b 10k date.file -d -a 3 split_file

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' // 刪除全部數字

  -c 求補集

    cat file | tr -c '0-9' //獲取文件中全部數字
    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；最經常使用於壓縮多餘的空格

    cat file | tr -s ' '

• 字符類tr中可用各類字符類：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:]

    eg: 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列的全部列：

    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個字段爲MN-M N到M個字段
• cut 取的單位-b 以字節爲單位-c 以字符爲單位-f 以字段爲單位（使用定界符）
• eg:

    cut -c1-5 file //打印第一到5個字符
    cut -c-2 file  //打印前2個字符

paste 按列拼接文本

將兩個文本按列拼接到一塊兒;

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，能夠用-d指明定界符

paste file1 file2 -d 「,」

1,colin

2,book

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

sed 文本替換利器

• 首處替換

    seg 's/text/replace_text/' file   //替換每一行的第一處匹配的text

• 全局替換

     seg 's/text/replace_text/g' file

  默認替換後，輸出替換後的內容，若是須要直接替換原文件,使用-i：

    seg -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經過標記&來引用.

  echo this is en example | seg '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一般用單引號來引用；也可以使用雙引號，使用雙引號後，雙引號會對錶達式求值：

    sed 's/$var/HLLOE/'

  當使用雙引號時，咱們能夠在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（PEKSHA） 轉換爲 PEK/SHA

    sed 's/^.{3}/

awk 數據流處理工具

• awk腳本結構awk ‘ BEGIN{ statements } statements2 END{ statements } ‘
• 工做方式1.執行begin中語句塊；2.從文件或stdin中讀入一行，而後執行statements2，重複這個過程，直到文件所有被讀取完畢；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 "line1nline2" | 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（」」做爲拼接符）;

  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，在執行過程當中對應當前行號；

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當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 f3n 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 "1n 2n 3n 4n" | 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 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（能夠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（默認爲空格）

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;ifor(i in array){print array[i];}

eg:

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

• 肯定行號

    seq 100| awk 'NR==4,NR==6{print}'

• 肯定文本打印處於start_pattern 和end_pattern之間的文本；

    awk '/start_pattern/, /end_pattern/' filename

  eg:

  seq 100 | awk '/13/,/15/'
  cat /etc/passwd| awk '/mai.*mail/,/news.*news/'

awk經常使用內建函數

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爲replacement_str;

match(regex,string):檢查正則表達式是否可以匹配字符串；

length(string)：返回字符串長度

echo | awk '{"grep root /etc/passwd" | getline cmdout; print length(cmdout) }'

printf 相似c語言中的printf，對輸出進行格式化

eg：

seq 10 | awk '{printf "->%4sn", $1}'

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
  改爲子shell:
  cat file.txt | (while read line;do echo $line;done)

• awk法：cat file.txt| awk ‘{print}’

2.迭代一行中的每個單詞

for word in $line;
do 
echo $word;
done

3. 迭代每個字符

${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