Linux下Shell命令文本處理的例子

本文將介紹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最常用和最為實用的；
我對shell指令碼使用的原則是命令單行書寫，盡量不要超過2行；
如果有更為複雜的任務需求，還是考慮python吧；

find 檔案尋找

尋找txt和pdf檔案
  find . \( -name "*.txt" -o -name "*.pdf" \) -print
正則方式尋找.txt和pdf
  find . -regex  ".*\(\.txt|\.pdf\)$"
-iregex： 忽略大小寫正則

否定參數
尋找所有非txt文本
   find . ! -name "*.txt" -print
指定搜尋深度
列印出目前的目錄的檔案（深度為1）
  find . -maxdepth 1 -type f 
定製搜尋

按類型搜尋：
  find . -type d -print  //只列出所有目錄
-type f 檔案 / l 符號連結

按時間搜尋：
-atime 訪問時間 (單位是天，分鐘單位則是-amin，以下類似）
-mtime 修改時間 （內容被修改）
-ctime 變化時間 （中繼資料或許可權變化）
最近7天被訪問過的所有檔案：
  find . -atime 7 -type f -print
按大小搜尋：
w字 k M G
尋找大於2k的檔案
  find . -type f -size +2k
按許可權尋找：

  find . -type f -perm 644 -print //找具有可執行許可權的所有檔案
按使用者尋找：

  find . -type f -user weber -print// 找使用者weber所擁有的檔案
找到後的後續動作

刪除：
刪除目前的目錄下所有的swp檔案：
  find . -type f -name "*.swp" -delete
執行動作（強大的exec）
  find . -type f -user root -exec chown weber {} \; //將目前的目錄下的所有權變更為weber
註：{}是一個特殊的字串，對於每一個匹配的檔案，{}會被替換成相應的檔案名稱；
eg：將找到的檔案全都copy到另一個目錄：

  find . -type f -mtime +10 -name "*.txt" -exec cp {} OLD \;
結合多個命令
tips: 如果需要後續執行多個命令，可以將多個命令寫成一個指令碼。然後 -exec 調用時執行指令碼即可；
  -exec ./commands.sh {} \;
-print的定界符

預設使用'\n'作為檔案的定界符；
-print0 使用'\0'作為檔案的定界符，這樣就可以搜尋包含空格的檔案；

grep 文本搜尋

grep match_patten file // 預設訪問匹配行

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 統計檔案中包含文本的次數
  grep -c "text" filename
-n 列印匹配的行號
-i 搜尋時忽略大小寫
-l 只列印檔案名

在多級目錄中對文本遞迴搜尋(程式員搜代碼的最愛）：
  grep "class" . -R -n
匹配多個模式
  grep -e "class" -e "vitural" file
grep輸出以\0作為結尾符的檔案名稱：（-z）
  grep "test" file* -lZ| xargs -0 rm
xargs 命令列參數轉換

xargs 能夠將輸入資料轉化為特定命令的命令列參數；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：指定每行顯示的欄位數
xargs參數說明

-d 定義定界符 （預設為空白格 多行的定界符為 \n）
-n 指定輸出為多行
-I {} 指定替換字串，這個字串在xargs擴充時會被替換掉,用於待執行的命令需要多個參數時
eg：

cat file.txt | xargs -I {} ./command.sh -p {} -1
-0：指定\0為輸入定界符
eg：統計程式行數

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

欄位說明：
-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 // 忽略像空格之類的前置空白字元
uniq 消除重複行

消除重複行
  sort unsort.txt | uniq
統計各行在檔案中出現的次數
  sort unsort.txt | uniq -c
找出重複行
  sort unsort.txt | uniq -d
可指定每行中需要比較的重複內容：-s 開始位置 -w 比較字元數

用tr進行轉換

通用用法
  echo 12345 | tr '0-9' '9876543210' //加解密轉換，替換對應字元
  cat text| tr '\t' ' '  //定位字元轉空格
tr刪除字元
  cat file | tr -d '0-9' // 刪除所有數字
-c 求補集

  cat file | tr -c '0-9' //擷取檔案中所有數字
  cat file | tr -d -c '0-9 \n'  //刪除非數字資料
tr壓縮字元
tr -s 壓縮文本中出現的重複字元；最常用於壓縮多餘的空格
  cat file | tr -s ' '
字元類
tr中可用各種字元類：
alnum：字母和數字
alpha：字母
digit：數字
space：空白字元
lower：小寫
upper：大寫
cntrl：控制（非可列印）字元
print：可列印字元
使用方法：tr [:class:] [:class:]
  eg: tr '[:lower:]' '[:upper:]'
cut 按列切分文本

截取檔案的第2列和第4列：
  cut -f2,4 filename
去檔案除第3列的所有列：
  cut -f3 --complement filename
-d 指定定界符：
  cat -f2 -d";" filename
cut 取的範圍
N- 第N個欄位到結尾
-M 第1個欄位為M
N-M N到M個欄位
cut 取的單位
-b 以位元組為單位
-c 以字元為單位
-f 以欄位為單位（使用定界符）
eg:
  cut -c1-5 file //列印第一到5個字元
  cut -c-2 file  //列印前2個字元
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
預設的定界符是定位字元，可以用-d指明定界符
paste file1 file2 -d ","
1,colin
2,book

wc 統計行和字元的工具

wc -l file // 統計行數
wc -w file // 統計單詞數
wc -c file // 統計字元數

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
全域替換
   seg 's/text/replace_text/g' file
預設替換後，輸出替換後的內容，如果需要直接替換原檔案,使用-i：

  seg -i 's/text/repalce_text/g' file
移除空白行：
  sed '/^$/d' file
變數轉換
已匹配的字串通過標記&來引用.
echo this is en example | seg 's/\w+/[&]/g'
$>[this]  [is] [en] [example]
子串匹配標記
第一個匹配的括弧內容使用標記 \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，使用雙引號後，雙引號會對錶達式求值：
  sed 's/$var/HLLOE/'
當使用雙引號時，我們可以在sed樣式和替換字串中指定變數；

eg:
p=patten
r=replaced
echo "line con a patten" | sed "s/$p/$r/g"
$>line con a replaced
其它樣本
字串插入字元：將文本中每行內容（PEKSHA） 轉換為 PEK/SHA
  sed 's/^.\{3\}/&\//g' file
awk 資料流處理工具

awk指令碼結構
awk ' BEGIN{ statements } statements2 END{ statements } '
工作方式
1.執行begin中語句塊；
2.從檔案或stdin中讀入一行，然後執行statements2，重複這個過程，直到檔案全部被讀取完畢；
3.執行end語句塊；
print 列印當前行

使用不帶參數的print時，會列印當前行;
  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
特殊變數： 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:表示欄位數量，在執行過程總對應當前行的欄位數；
$0:這個變數包含執行過程中當前行的常值內容；
$1:第一個欄位的常值內容；
$2:第二個欄位的常值內容；

echo -e "line1 f2 f3\n line2 \n line 3" | awk '{print NR":"$0"-"$1"-"$2}'
列印每一行的第二和第三個欄位：
  awk '{print $2, $3}' file
統計檔案的行數：
  awk ' END {print NR}' file
累加每一行的第一個欄位：
  echo -e "1\n 2\n 3\n 4\n" | awk 'BEGIN{num = 0 ;
  print "begin";} {sum += $1;} END {print "=="; print sum }'
傳遞外部變數

var=1000
echo | awk '{print vara}' vara=$var #  輸入來自stdin
awk '{print vara}' vara=$var file # 輸入來自檔案
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的列印出來
awk '/linux/' #包含linux文本的行（可以用Regex來指定，超級強大）
awk '!/linux/' #不包含linux文本的行

設定定界符

使用-F來設定定界符（預設為空白格）
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數cmdout中；

echo | awk '{"grep root /etc/passwd" | getline cmdout; print cmdout }'
在awk中使用迴圈

for(i=0;i<10;i++){print $i;}
for(i in array){print array[i];}

eg:
以逆序的形式列印行：(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
列印指定列

awk方式實現：
  ls -lrt | awk '{print $6}'
cut方式實現
  ls -lrt | cut -f6
列印指定文本地區

確定行號
  seq 100| awk 'NR==4,NR==6{print}'
確定文本
列印處於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Regex是否能夠匹配字串；
length(string)：返回字串長度

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
eg：

seq 10 | awk '{printf "->%4s\n", $1}'
迭代檔案中的行、單詞和字元

1. 迭代檔案中的每一行

while 迴圈法
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. 迭代每一個字元

${string:start_pos:num_of_chars}：從字串中提取一個字元；(bash文本切片）
${#word}:返回變數word的長度

for((i=0;i<${#word};i++))
do
echo ${word:i:1);
done
本文為《linux Shell指令碼攻略》的讀書筆記，文中主要內容和樣本來自於