原文地址：https://linuxtools-rst.readthedocs.io/zh_CN/latest/base/03_text_processing.html
3. 文本處理
目錄
本節將介紹Linux下使用Shell處理文本時最常用的工具： find、grep、xargs、sort、uniq、tr、cut、paste、wc、sed、awk； 提供的例子和參數都是常用的； 我對shell腳本使用的原則是命令單行書寫，盡量不要超過2行； 如果有更為復雜的任務需求，還是考慮python吧；
3.1. 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
否定參數 ,查找所有非txt文本:
find . ! -name "*.txt" -print
指定搜索深度,打印出當前目錄的文件（深度為1）:
find . -maxdepth 1 -type f
定制搜索
- 按類型搜索
find . -type d -print //只列出所有目錄
-type f 文件 / l 符號鏈接 / d 目錄
find支持的文件檢索類型可以區分普通文件和符號鏈接、目錄等，但是二進制文件和文本文件無法直接通過find的類型區分出來；
file命令可以檢查文件具體類型（二進制或文本）:
$file redis-cli # 二進制文件
redis-cli: ELF 64-bit LSB executable, x86-64, version 1 (SYSV), dynamically linked (uses shared libs), for GNU/Linux 2.6.9, not stripped
$file redis.pid # 文本文件
redis.pid: ASCII text
所以,可以用以下命令組合來實現查找本地目錄下的所有二進制文件:
ls -lrt | awk '{print $9}'|xargs file|grep ELF| awk '{print $1}'|tr -d ':'
-
- 按時間搜索
-
- -atime 訪問時間 (單位是天，分鍾單位則是-amin，以下類似）
- -mtime 修改時間 （內容被修改）
- -ctime 變化時間 （元數據或權限變化）
最近第7天被訪問過的所有文件:
find . -atime 7 -type f -print
最近7天內被訪問過的所有文件:
find . -atime -7 -type f -print
查詢7天前被訪問過的所有文件:
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 //找具有可執行權限的所有文件
按用戶查找:
find . -type f -user weber -print// 找用戶weber所擁有的文件
找到后的后續動作
- 刪除
刪除當前目錄下所有的swp文件:
find . -type f -name "*.swp" -delete
另一種語法:
find . type f -name "*.swp" | xargs rm
- 執行動作（強大的exec）
將當前目錄下的所有權變更為weber:
find . -type f -user root -exec chown weber {} \;
注：{}是一個特殊的字符串，對於每一個匹配的文件，{}會被替換成相應的文件名；
將找到的文件全都copy到另一個目錄:
find . -type f -mtime +10 -name "*.txt" -exec cp {} OLD \;
- 結合多個命令
如果需要后續執行多個命令，可以將多個命令寫成一個腳本。然后 -exec 調用時執行腳本即可:
-exec ./commands.sh {} \;
3.2. grep 文本搜索
grep match_patten file // 默認訪問匹配行
常用參數
- -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0作為結尾符的文件名（-z）:
grep "test" file* -lZ| xargs -0 rm
綜合應用：將日志中的所有帶where條件的sql查找查找出來:
cat LOG.* | tr a-z A-Z | grep "FROM " | grep "WHERE" > b
查找中文示例：工程目錄中utf-8格式和gb2312格式兩種文件，要查找字的是中文；
-
查找到它的utf-8編碼和gb2312編碼分別是E4B8ADE69687和D6D0CEC4
-
查詢:
grep：grep -rnP "\xE4\xB8\xAD\xE6\x96\x87|\xD6\xD0\xCE\xC4" *即可
漢字編碼查詢：http://bm.kdd.cc/
3.3. xargs 命令行參數轉換
xargs 能夠將輸入數據轉化為特定命令的命令行參數；這樣，可以配合很多命令來組合使用。比如grep，比如find； - 將多行輸出轉化為單行輸出
cat file.txt| xargs
n 是多行文本間的定界符
- 將單行轉化為多行輸出
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 （默認為空格 多行的定界符為 n）
- -n 指定輸出為多行
- -I {} 指定替換字符串，這個字符串在xargs擴展時會被替換掉,用於待執行的命令需要多個參數時
- -0：指定0為輸入定界符
示例:
cat file.txt | xargs -I {} ./command.sh -p {} -1
#統計程序行數
find source_dir/ -type f -name "*.cpp" -print0 |xargs -0 wc -l
#redis通過string存儲數據，通過set存儲索引，需要通過索引來查詢出所有的值：
./redis-cli smembers $1 | awk '{print $1}'|xargs -I {} ./redis-cli get {}
3.4. 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
示例:
sort -nrk 1 data.txt sort -bd data // 忽略像空格之類的前導空白字符
3.5. uniq 消除重復行
- 消除重復行
sort unsort.txt | uniq
- 統計各行在文件中出現的次數
sort unsort.txt | uniq -c
- 找出重復行
sort unsort.txt | uniq -d
可指定每行中需要比較的重復內容：-s 開始位置 -w 比較字符數
3.6. 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' ' ' //制表符轉空格
- tr刪除字符
cat file | tr -d '0-9' // 刪除所有數字
-c 求補集
cat file | tr -c '0-9' //獲取文件中所有數字 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復字符；最常用於壓縮多余的空格:
cat file | tr -s ' '
- 字符類
- tr中可用各種字符類：
-
- 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:]
tr '[:lower:]' '[:upper:]'
3.7. 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 取的范圍
-
- N- 第N個字段到結尾
- -M 第1個字段為M
- N-M N到M個字段
-
- cut 取的單位
-
- -b 以字節為單位
- -c 以字符為單位
- -f 以字段為單位（使用定界符）
示例:
cut -c1-5 file //打印第一到5個字符 cut -c-2 file //打印前2個字符
截取文本的第5到第7列
$echo string | cut -c5-7
3.8. paste 按列拼接文本
將兩個文本按列拼接到一起;
cat file1 1 2 cat file2 colin book paste file1 file2 1 colin 2 book
默認的定界符是制表符，可以用-d指明定界符:
paste file1 file2 -d "," 1,colin 2,book
3.9. 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
$wc -c file // 統計字符數
3.10. sed 文本替換利器
- 首處替換
sed 's/text/replace_text/' file //替換每一行的第一處匹配的text
- 全局替換
sed 's/text/replace_text/g' file
默認替換后，輸出替換后的內容，如果需要直接替換原文件,使用-i:
sed -i 's/text/repalce_text/g' file
- 移除空白行
sed '/^$/d' file
- 變量轉換
已匹配的字符串通過標記&來引用.
echo this is en example | sed '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通常用單引號來引用；也可使用雙引號，使用雙引號后，雙引號會對表達式求值:
sed 's/$var/HLLOE/'
當使用雙引號時，我們可以在sed樣式和替換字符串中指定變量；
eg:
p=patten
r=replaced
echo "line con a patten" | sed "s/$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（ABCDEF） 轉換為 ABC/DEF:
sed 's/^.\{3\}/&\//g' file
3.11. awk 數據流處理工具
- awk腳本結構
awk ' BEGIN{ statements } statements2 END{ statements } '
- 工作方式
1.執行begin中語句塊；
2.從文件或stdin中讀入一行，然后執行statements2，重復這個過程，直到文件全部被讀取完畢；
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 "line1\nline2" | 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（”“作為拼接符）;
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 f3\n 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 "1\n 2\n 3\n 4\n" | 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 < 5' #行號小於5 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（可以用正則表達式來指定，超級強大） awk '!/linux/' #不包含linux文本的行
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;i<10;i++){print $i;}
for(i in array){print array[i];}
eg:以下字符串，打印出其中的時間串:
2015_04_02 20:20:08: mysqli connect failed, please check connect info
$echo '2015_04_02 20:20:08: mysqli connect failed, please check connect info'|awk -F ":" '{ for(i=1;i<=;i++) printf("%s:",$i)}'
>2015_04_02 20:20:08: # 這種方式會將最后一個冒號打印出來
$echo '2015_04_02 20:20:08: mysqli connect failed, please check connect info'|awk -F':' '{print $1 ":" $2 ":" $3; }'
>2015_04_02 20:20:08 # 這種方式滿足需求
而如果需要將后面的部分也打印出來(時間部分和后文分開打印):
$echo '2015_04_02 20:20:08: mysqli connect failed, please check connect info'|awk -F':' '{print $1 ":" $2 ":" $3; print $4;}'
>2015_04_02 20:20:08
>mysqli connect failed, please check connect info
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結合grep找到指定的服務，然后將其kill掉
ps -fe| grep msv8 | grep -v MFORWARD | awk '{print $2}' | xargs kill -9;
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
打印指定文本區域
- 確定行號
seq 100| awk 'NR==4,NR==6{print}'
- 確定文本
打印處於start_pattern 和end_pattern之間的文本:
awk '/start_pattern/, /end_pattern/' filename
示例:
seq 100 | awk '/13/,/15/' cat /etc/passwd| awk '/mai.*mail/,/news.*news/'
awk常用內建函數
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為replacement_str;
match(regex,string):檢查正則表達式是否能夠匹配字符串；
length(string)：返回字符串長度
echo | awk '{"grep root /etc/passwd" | getline cmdout; print length(cmdout) }'
printf 類似c語言中的printf，對輸出進行格式化:
seq 10 | awk '{printf "->%4s\n", $1}'
3.12. 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.迭代一行中的每一個單詞
for word in $line;
do
echo $word;
done
3. 迭代每一個字符
${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
以ASCII字符顯示文件:
$od -c filename