Shell文本处理常用工具

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；

我对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

find . \( -name "*.txt" -o -name "*.pdf" \) -print

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

• 按大小搜索：

w字 k M G

寻找大于2k的文件

按权限查找：

• 删除：

删除当前目录下所有的swp文件：

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'\0'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

• 在多级目录中对文本递归搜索(程序员搜代码的最爱）：

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；

cat file.txt| xargs

\n 是多行文本间的定界符

cat single.txt | xargs -n 3

-n：指定每行显示的字段数

-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

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

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

sort unsort.txt | uniq -c

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

• 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

• 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:]

• 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

cat -f2 -d";" filename

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

-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）

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

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

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

sed '/^$/d' file

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]

第一个匹配的括号内容使用标记 \1 来引用

sed 's/hello\([0-9]\)/\1/'

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：

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:

• 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;

• 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；

• 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 "1\n 2\n 3\n 4\n" | awk 'BEGIN{num = 0 ;

print "begin";} {sum += $1;} END {print "=="; print sum }'

传递外部变量

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

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；

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

awk 'NR<=10{print}' filename

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

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/'

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

printf 类似c语言中的printf，对输出进行格式化

eg：

seq 10 | awk '{printf "->%4s\n", $1}'

迭代文件中的行、单词和字符

1. 迭代文件中的每一行

改成子shell:

cat file.txt | (while read line;do echo $line;done)

cat file.txt| awk '{print}'

3. 迭代每一个字符