文件资源管理器Ranger的使用

最新推荐文章于 2024-03-29 18:32:57 发布
最新推荐文章于 2024-03-29 18:32:57 发布
阅读量4.8k 收藏 21
点赞数 3
分类专栏： Linux
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/HideOnLie/article/details/103719698
版权

目录

在这里插入图片描述

配置文件

  • 将默认配置文件复制到该文件~/.config/range
$ ranger --copy-config=all
  • ranger 使用4个主要配置文件：
文件名描述
commands.py包含以Python编写的各种函数的实现，用于修改ranger’s行为
rc.conf用于设置各种选项并将按键绑定到功能
rifle.conf决定使用哪个程序打开哪个文件
scope.sh是一个shell脚本，用于生成各种文件类型的预览

宏指令

宏指令可以用在 command 命令中达到缩写命令的目的。

宏指令功能
%f高亮显示的文件
%d当前文件夹的路径
%s当前文件夹选择的文件
%t当前文件夹所有标记的文件
%c当前复制/剪切文件的完整路径
%p选择文件的完整路径

宏指令 %f、%d、%p 和 %s 有大写的变体，%F、%D、%P 和 %S，指下一个标记。为了表示一个特定的标记，可以在 % 和 字母 中间加一个数字，比如 %7s 指当前文件夹中第七个所选择的文件。
  %c 是唯一一个作用于当前文件夹以外的宏指令，所以你可以通过复制功能达到其他的目的。比如比较在两个在不同文件夹里的文件的不同：复制文件 A（键入 yy），然后切换到文件 B 的目录，并标记文件 B（键入 SPACE），最后键入 @，输入 shell: diff %c %s。对于文件路径的宏命令（%d、%c 和 %p）通常是转义了的，所以可以直接在 shell command 命令中使用。
  此外，如果你创建了使用 Key 的按键绑定，那么宏命令 %Key（或者 %Key0、%Key1、……)在 shell command 中就代表按下 Key 键几次。

文件选择

标记/取消标记：space
反选：v
视觉模式开启/关闭：V ，在视觉模式下，移动光标即可选择条目。也可以按 uV 或者 ESC 退出。
取消当前目录的全部标记：uv

黄色的 Mrk 符号位于终端右下角，表示此文件夹里有标记的文件。黄色的 Mrk 并不会因为切换目录而消失。

文件操作

复制：yy
剪切：dd
粘贴：pp
删除：dD

将不同目录的文件加入操作列表：ya
重命名：cw
在当前名称基础上重命名：A
类似A, 但是光标会跳到起始位置：I
向下翻一页：Ctrl+f或PAGEDOWN
向上翻一页：Ctrl+b或PAGEUP
向上翻半页：Ctrl+u或者K
向下翻半页：Ctrl+d或者 J
后退到上一个历史记录：H
前进到下一个历史记录：L

目录跳转

父目录上移：[
父目录下移：]
如果当前选中高亮的是是链接目录，直接跳到原目录内：g L
如果当前目录是链接目录内，直接跳到原目录：g l
跳转目录：g+其他

查看与编辑文件

操作说明
i 或者 F3 调用 Pager 查看文件与在终端中输入 pager + 文件名 一样。
E 或者 F4 调用默认编辑器编辑文件可在终端中输入 select-editor 选择默认编辑器。

书签

新建书签：m
打开书签：`
删除书签：um

标签

多标签即多窗口工作。可以在每个窗口来回切换。

新建标签：

  • g n
  • Ctrl+n

切换标签：

  • g t或g T
  • Tab 或 Shift+Tab
  • Alt+标签名

关闭标签：g c 或 Ctrl+w

链接

粘贴绝对路径的链接：pl
粘贴相对路径的链接：pL
硬链接：phl

排序

排序：o

名词描述
atimeaccess time，访问时间
basename基于文件名
ctimechange time，改变时间，文件的权限组别和文件自身数据被修改的时间
extension扩展名
mtimemodified time，修改时间

任务管理

在执行某些操作(比如复制一个大文件)时不能立即完成, 这在 ranger 中就是一个任务. 你可以停止, 启动某个任务, 也可以对某个任务设置优先级.

  • 打开/关闭任务视图：w
  • 在打开的任务视图中：
    • 终止一个任务：dd
    • 降低当前任务的优先级：J
    • 提升当前任务的优先级：K

预览

默认情况下，只能预览文本文件，但是你可以通过设定配置 use_preview_script 和 preview_files 为 true 来增加可以预览的文件类型。默认的预览脚本是 ~/.config/ranger/scope.sh，安装如下工具（每种类型只需要一个）就预览对应的文件类型，scope.sh 会自动调用它们：

工具预览文件类型安装
lynx
elinks
w3m		网页sudo apt install lynx
sudo apt install elinks
sudo apt install w3m
highlight
pygmentize		高亮代码sudo apt install highlight
pip install pygmentize
img2txt图片sudo apt install caca-utils
atool
bsdtar
unrar
7z		压缩包sudo apt install atool
sudo apt install libarchive-tools
sudo apt install unrar
sudo apt install p7zip
pdftotext
mutool		PDFsudo apt install poppler-utils
sudo apt install mupdf-tools
mediainfo
exiftool		媒体sudo apt install mediainfo
sudo apt install libimage-exiftool-perl
ffmpegthumbnailer视频缩略图sudo apt install ffmpegthumbnailer
fontimage字体sudo apt install fontforge
transmission-show种子sudo apt install transmission-cli

独立于 preview script，有一个通过将图像用字符画的形式直接绘制到终端中的预览功能。要启用此功能，将 preview_images 选项设置为 true 并将 preview_images_method 选项设置为一种图像预览模式（需要安装这些工具）：

预览模式是否适用于 ssh注意设置 preview_images_method 为
w3m否与 tmux 不兼容（尽管它可以工作）。w3m
iTerm2是iTerm2 编译时必须添加 image preview support 选项。iterm2
urxvt否urxvt 编译时必须添加 pixbuf support 选项。此模式本质上是将图像暂时设置为终端背景，这样它将破坏以前设置的任何图像背景。urxvt
urxvt-full否与 urxvt 相同，但使用整个终端窗口预览图片。urxvt-full

获取帮助

按下?时获取帮助，再使用按键选择帮助类型：

  • m: opens the man page for ranger（打开官方man手册）
  • k: opens a list of keybindings（打开按键绑定列表）
  • c: opens a list of available commands and descriptions（打开命令列表）
  • s: opens a list of settings and their current values（打开设置列表）

官方man手册网站：https://ranger.github.io/ranger.1.html

其他

查找：f
搜索：/
修改设置：z
显示隐藏文件：zh
打开/关闭文件预览功能：zp
打开目录预览功能：zP
过滤器(如过滤pdf文件, zf+pdf,回车)：zf
在当前目录打开终端：S
目录展平：:flag (level)
批量重命名：标记选中后，输入:bulkrename

参考

官方用户指南
http://www.mikewootc.com/wiki/linux/usage/ranger_file_manager.html
博客链接【推荐】
https://blog.csdn.net/xkfz008/article/details/7339530

HideOnLie
关注
  • 3
    点赞
  • 踩
  • 21
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
数据治理（十五）：Ranger管理Hive安全
Lansonli（蓝深李）的博客
04-19 4686
访问Hive有两种方式：HiveServer2和Hive Client，Hive Client需要Hive和Hadoop的jar包，配置环境。HiveServer2使得连接Hive的Client从Yarn和HDFS集群中独立出来，不需要每个节点都配置Hive和Hadoop的jar包和一系列环境。 Ranger管理Hive权限只能针对HiveServer2 jdbc方式连接，所以这里需要配置HiveServer2。...
pistol:为 Ranger, Lf 设计的通用文件预览器，使 scope.sh 变得多余
08-04
手枪 目录 介绍 Pistol 是 、 和nnn等命令行文件管理器的文件预览器，旨在替代 Ranger 和其他预览方法常用的文件预览器 shell 脚本scope.sh 。 scope.sh是一个 Bash 脚本，它使用case切换和外部程序来决定如何预览遇到的每个文件。 它知道如何使用case开关和外部程序根据MIME 类型和/或文件扩展名处理每个文件。 这种设计使配置/维护变得困难，并且启动缓慢，运行时很重。 Pistol 是一个 Go 程序（具有（几乎）0 个依赖项）并且它的 MIME 类型检测是内部的。 此外，它具有对几乎所有存档文件和文本文件的本机预览支持以及语法突出显示，而scope.sh依赖于外部程序来完成这些基本任务。 下表列出了 Pistol 的原生预览支持： 文件/MIME 类型 实施注意事项 text/* 由于chroma打印带有语法高亮显示的文本文件。
类似于windows资源管理器
01-02
这是用C#做的一个类似于windows的资源管理器，虽然不太美观，还有很多缺陷，但是我们只是拿来学习一下，能力有限，仅供学习用
2024年 15 个最佳免费开源 Linux 文件管理器
最新发布
网络技术联盟站
03-29 1097
你好，这里是网络技术联盟站，我是瑞哥。在 Linux 系统中，文件管理器是用户管理文件和目录的主要工具之一。而在众多的文件管理器中，开源社区提供了许多优秀的选择，它们免费、灵活，并且可以根据用户的需求进行定制。本文将介绍其中的五个最佳免费开源 Linux 文件管理器：Krusader、nnn、Dolphin、Midnight Commander 和 Double Commander。每个文件管理器都有其独特的特点和功能，满足了不同用户的需求。
Ranger从入门到精通以及案例实操系列
prefect_start的博客
06-05 1841
RangerUsersync作为Ranger提供的一个管理模块，可以将Linux机器上的用户和组信息同步到RangerAdmin的数据库中进行管理。Ranger Hive-plugin是Ranger对hive进行权限管理的插件。需要注意的是，Ranger Hive-plugin只能对使用jdbc方式访问hive的请求进行权限管理，hive-cli并不受限制。
Apache顶级项目Ranger和Alluxio的最佳实践（附教程）
Alluxio的博客
08-23 1715
Alluxio统一了本地和跨云环境下的数据孤岛，实现数据本地性、可访问性和弹性，从而降低大数据和人工智能/机器学习（AI/ML）工作负载的管理数据和访问数据的难度。
ranger操作介绍
TBSOD的博客
05-09 3714
https://cwiki.apache.org/confluence/display/RANGER/Apache+Ranger+0.5+-+User+Guide 策略 HDFS 添加HDFS策略 您可以从HDFS策略列表页面为特定服务添加新策略。添加时，该策略应列在下表中。您可以通过提供的搜索过滤器搜索策略。 第1步：单击列表页面上的“添加新策略”按钮 第2步：创建政策表格 ...
Ranger使用说明
HcyJerry007的博客
04-26 1103
产品说明功能 本产品为ranger手势控制抓取机器人，机器人有demo模式和教学模式两种使用方式。系统开机后系统默认进入demo模式，demo模式操作使用说明见项目2，该模式下如果想要在显示屏上实时观察手势检测结果，双击桌面start.sh运行该脚本即可。如果需进入教学模式，需要双击桌面teach.sh脚本。教学模式使用需要小车的网络连接、PC电脑端配置后在SenseStudy平台上方可使用，小车...
ranger 教程
潜行
09-05 3056
ranger 综述性文章 [Apache ranger 简介、原理、安装部署]（https://blog.csdn.net/sudaxhh/article/details/52135184） … 源码解析 [Ranger对HDFS访问控制的实现原理]（https://www.cnblogs.com/qiuyuesu/p/6774520.html） … ...
ranger 命令_如何使用Ranger从命令行浏览文件
cumj63710的博客
07-14 3569
ranger 命令 Ranger是一种非常方便的基于终端的文件导航器，它使用Python编写，可用于Linux和Mac。 Ranger允许您使用键盘上的箭头键浏览文件系统：上/下可在当前目录（中间窗格）中选择文件，左/右可在各个级别之间来回跳入目录。 当您关注目录时，它将在右侧窗格中显示内容： 当您专注于任何类型的文本文件时，它将在窗格中显示内容的预览： D删除文件。 我仍在学习所...
linux终端文件管理器ranger使用详解
weixin_33869377的博客
10-14 2870
1 安装$sudoapt-getinstallranger官方网站: http://ranger.nongnu.org/2 配置2.1 配置文件首先复制配置文件到主目录:$ranger--copy-config=all然后自己到~/.config/ranger中配置各种选项即可.2.2 配置ranger在～/.config/ranger中有ranger的配置文件.找到...
ranger api 大全
03-08
ranger api 大全
ranger配置文件的
06-27
ranger配置文件的
cdh6.3.2编译的ranger版本
08-03
此软件可以直接适用于cdh6.3.2的安装和应用，ranger我们都知道，是一个权限管理工具，可以做到精细化权限管理，编译ranger的cdh6.3.2,会出现各种报错，这里提供编译好的包
Ranger安装部署使用到的所有安装包
04-24
Ranger安装部署使用到的所有安装包，包括Ranger2.0.0的tar包，mysql 5.7.25的所有rpm安装包，mysql-java的连接jar包，3.6.1的jar包。
remake的使用
HideOnLie的博客
09-04 5810
SYNOPSIS remake [OPTION]... [TARGET]... OPTIONS -c, --search-parent 如果一个makefile或者终极目标在当前目录无法找到，remake将会在父目录搜索Makefile.直到找到符合条件的最近的父目录中的Makefile 在这方面，除了-c无需指定目录，选项-c是很类似-C的 -! | –post-mortem: 在出现错误时进入调试器。这与另一个选项相同:–debugger –debugger-stop = error –profil
ArchLinux安装百度网盘
HideOnLie的博客
07-27 5437
安装 sudo pacman -S baidunetdisk-bin 安装后发现无法启动，原因是因为没有安装到可执行目录内。而是安装到了/usr/lib/目录下，我们做个软链接到可执行目录即可 sudo ln -s /usr/lib/baidunetdisk/baidunetdisk /usr/bin/baidunetdisk ...
if_nametoindex, if_indextoname——网络接口名与索引值之间的映射
HideOnLie的博客
05-22 4697
说明 NAME if_nametoindex, if_indextoname - mappings between network interface names and indexes SYNOPSIS #include <net/if.h> unsigned int if_nametoindex(const char *ifname); char *if_indextoname(unsigned int ifindex, char
深度学习优化器Ranger代码
06-08
以下是使用 PyTorch 实现的深度学习优化器 Ranger 的代码： ```python import math from torch.optim.optimizer import Optimizer import torch.optim as optim class Ranger(Optimizer): def __init__(self, params, lr=1e-3, alpha=0.5, k=6, N_sma_threshhold=5, betas=(0.95, 0.999), eps=1e-5, weight_decay=0): defaults = dict(lr=lr, alpha=alpha, k=k, N_sma_threshhold=N_sma_threshhold, betas=betas, eps=eps, weight_decay=weight_decay) super().__init__(params, defaults) def __setstate__(self, state): super().__setstate__(state) def step(self, closure=None): loss = None if closure is not None: loss = closure() # Gradient centralization for group in self.param_groups: for p in group['params']: if p.grad is None: continue grad = p.grad.data if grad.is_sparse: raise RuntimeError('Ranger optimizer does not support sparse gradients') grad_data = grad.data if len(grad_data.shape) > 1: mean = torch.mean(grad_data, dim=tuple(range(1, len(grad_data.shape))), keepdim=True) var = torch.var(grad_data, dim=tuple(range(1, len(grad_data.shape))), keepdim=True) grad_data = (grad_data - mean) / (torch.sqrt(var) + group['eps']) p.grad.data = grad_data # Perform optimization step beta1, beta2 = group['betas'] N_sma_threshhold = group['N_sma_threshhold'] grad_ema_beta = 1 - beta1 sqr_ema_beta = 1 - beta2 step_size = group['lr'] eps = group['eps'] k = group['k'] alpha = group['alpha'] weight_decay = group['weight_decay'] for group in self.param_groups: for p in group['params']: if p.grad is None: continue grad = p.grad.data if grad.is_sparse: raise RuntimeError('Ranger optimizer does not support sparse gradients') state = self.state[p] # State initialization if len(state) == 0: state['step'] = 0 state['exp_avg'] = torch.zeros_like(p.data) state['exp_avg_sq'] = torch.zeros_like(p.data) state['SMA'] = 0 exp_avg, exp_avg_sq = state['exp_avg'], state['exp_avg_sq'] SMA = state['SMA'] state['step'] += 1 # Gradient centralization grad_data = grad.data if len(grad_data.shape) > 1: mean = torch.mean(grad_data, dim=tuple(range(1, len(grad_data.shape))), keepdim=True) var = torch.var(grad_data, dim=tuple(range(1, len(grad_data.shape))), keepdim=True) grad_data = (grad_data - mean) / (torch.sqrt(var) + eps) grad = grad_data bias_correction1 = 1 - beta1 ** state['step'] bias_correction2 = 1 - beta2 ** state['step'] step_size = step_size * math.sqrt(bias_correction2) / bias_correction1 # Compute exponential moving average of gradient and squared gradient exp_avg = beta1 * exp_avg + grad_ema_beta * grad exp_avg_sq = beta2 * exp_avg_sq + sqr_ema_beta * grad * grad # Compute SMA SMA_prev = SMA SMA = alpha * SMA + (1 - alpha) * exp_avg_sq.mean() # Update parameters if state['step'] <= k: # Warmup p.data.add_(-step_size * exp_avg / (torch.sqrt(exp_avg_sq) + eps)) else: if SMA > SMA_prev or state['step'] <= N_sma_threshhold: # If SMA is increasing, skip lookahead and perform RAdam step denom = torch.sqrt(exp_avg_sq) + eps p.data.add_(-step_size * exp_avg / denom) else: # Lookahead slow_state = state['slow_buffer'] if len(slow_state) == 0: slow_state['step'] = 0 slow_state['exp_avg'] = torch.zeros_like(p.data) slow_state['exp_avg_sq'] = torch.zeros_like(p.data) slow_state['SMA'] = 0 for key in state.keys(): if key != 'slow_buffer': slow_state[key] = state[key].clone() slow_exp_avg, slow_exp_avg_sq = slow_state['exp_avg'], slow_state['exp_avg_sq'] slow_SMA = slow_state['SMA'] slow_state['step'] += 1 # Gradient centralization grad_data = grad.data if len(grad_data.shape) > 1: mean = torch.mean(grad_data, dim=tuple(range(1, len(grad_data.shape))), keepdim=True) var = torch.var(grad_data, dim=tuple(range(1, len(grad_data.shape))), keepdim=True) grad_data = (grad_data - mean) / (torch.sqrt(var) + eps) grad = grad_data # Compute exponential moving average of gradient and squared gradient slow_exp_avg = beta1 * slow_exp_avg + grad_ema_beta * grad slow_exp_avg_sq = beta2 * slow_exp_avg_sq + sqr_ema_beta * grad * grad # Compute SMA slow_SMA_prev = slow_SMA slow_SMA = alpha * slow_SMA + (1 - alpha) * slow_exp_avg_sq.mean() # Update parameters if slow_state['step'] <= k: # Warmup pass else: if slow_SMA > slow_SMA_prev or slow_state['step'] <= N_sma_threshhold: # If SMA is increasing, skip lookahead and perform RAdam step denom = torch.sqrt(slow_exp_avg_sq) + eps p.data.add_(-step_size * slow_exp_avg / denom) else: # Lookahead p.data.add_(-step_size * (exp_avg + slow_exp_avg) / (2 * torch.sqrt((beta2 * exp_avg_sq + sqr_ema_beta * slow_exp_avg_sq) / (1 - bias_correction2 ** state['step'])) + eps)) # Weight decay if weight_decay != 0: p.data.add_(-step_size * weight_decay * p.data) return loss ``` 以上的代码实现了 Ranger 优化器，其中包括了 RAdam 和 LookAhead 的结合，以及动态学习率和权重衰减等技巧。可以将其应用于 PyTorch 中的深度学习模型训练中。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值