Linux文本处理工具

作者：大CC
原文：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；

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：

 find . -type d -print //只列出所有目录

• -type f 文件 / l 符号链接
• 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：
• w字 k M G
• 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'n'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；

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
• 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

-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

eg：

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

-0：指定为输入定界符

eg：统计程序行数

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

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

eg：

sort -nrk 1 data.txt
sort -bd data // 忽略像空格之类的前导空白字符

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

 echo 12345 | tr '0-9' '9876543210' //加解密转换，替换对应字符
 cat text| tr 't' ' ' //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 n' //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:]'

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）
• eg:

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

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

wc -l file // 统计行数

wc -w file // 统计单词数

wc -c file // 统计字符数

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 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；

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：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 "line1nline2" | 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 f3n 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 "1n 2n 3n 4n" | 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

• eg:

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

eg：

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

本文为《linux Shell脚本攻略》的读书笔记，文中主要内容和示例来自于

《linux Shell脚本攻略》