自学基础1_linux_3_解析命令行参数

处理命令行参数的三种方式:

  1. 手工处理
  2. getopts
  3. getopt
手工处理

一个命令行参数的完整信息,无外乎下面几部分($为取值符):

  1. 命令叫什么?$0
  2. 参数有多少个?$#
  3. 如何取指定位置的参数?$1~$n(n为参数位置,从1开始)
  4. 打印所有参数?$*(所有参数为一个字符串)
  5. 遍历所有参数?$@(所有参数组成一个数组,for循环轮循)

其它变量说明:
$$
Shell本身的PID(ProcessID)
$!
Shell最后运行的后台Process的PID
$?
最后运行的命令的结束代码(返回值)
$-
使用Set命令设定的Flag一览


使用场景

手工处理依赖于参数位置,只适合参数比较明确、简单的场景

处理方法:以脚本foo.sh为例

<p class="p1">#!/bin/sh</p>echo "命令名称:"$0
echo "第一个参数:"$1
echo "参数个数:"$#
echo "参数串\$*:"$*
echo "参数串\"\$*\"":"$*"
echo "参数数组:"$@

$ ./foo.sh -f config.conf -n 10
命令名称:./foo.sh
第一个参数:-f
参数个数:4
参数串$*:-f config.conf -n 10
参数串"$*":-f config.conf -n 10
参数数组:-f config.conf -n 10

$*和$@都是将参数转换为数组,但是加上双引号既"$*"则转换为字符串,"$@"仍然事数组,下面代码验证:

echo "遍历\"\$*\":"
for arg in "$*"
do
   echo $arg
done
echo "遍历\$*:"
for arg in $*
do
   echo $arg
done
echo "遍历\$@:"
for arg in $@
do
   echo $arg
done
echo "遍历\"\$@\":"
for arg in $@
do
   echo $arg
done
输入命令行参数

$./foo.sh -f config.conf -n 10
结果如下:

遍历"$*":
-f config.conf -n 10
遍历$*:
-f
config.conf
-n
10
遍历$@:
-f
config.conf
-n
10
遍历"$@":
-f
config.conf
-n
10
可见$*和"$*"的区别

下面将讲解getopt和getopts种解析方法

getopt和getopts的异同:

getopt是独立的可执行文件,而getopts是由Bash内置的。

$type getopt
getopt is /usr/bin/getopt
$type getopts
getopts is a shell builtin

$type getopt
getopt is /usr/bin/getopt
$type getopts<pre name="code" class="java">$type getopt
getopt is /usr/bin/getopt
$type getopts
getopts is a shell builtin

 
<ul><li>
</li></ul>
getopts is a shell builtin


getopts

使用场景


处理方法


getopt

使用场景

处理方法


getopts源码详解


getopt源码详解


知道如何查看命令的语法,查到后能看懂语法,那么用别人写好的命令的能力已经具备了。下面讲一讲别人是如何实现这个命令的,自己如何写一个命令供别人使用。

普通参数:

http://blog.csdn.net/qzwujiaying/article/details/6371246

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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