Shell文本处理秘籍：掌握这11种工具，让数据处理如虎添翼！

引言

在Linux信息环境，文本数据处理是一项基础而重要的技能。对于广大Linux用户而言，掌握Shell环境下的文本处理工具不仅能提高工作效率，还能在面对复杂数据时游刃有余。

本文将介绍，那些在文本处理中不可或缺的11种命令工具，让数据处理技能更上一层楼。

目录

• find： find命令无疑是文件查找领域的佼佼者。它能帮助我们在文件系统中快速定位所需文件

• grep： 当我们需要在文件中查找特定文本时，grep是我们的不二选择。它能帮我们过滤出含有特定模式的行

• xargs： xargs能够将标准输入转换成命令行参数。这对于处理来自其他命令的输出结果非常有用

• sort： 无论是数字还是文本，sort都能帮我们轻松排序

• uniq： uniq命令用于移除或显示文件中的重复行

• tr： 需要替换或删除字符？tr是我们的好帮手

• cut： 当我们需要基于列分隔符提取文件内容时，cut命令可以大大简化任务

• paste： 与cut相对，paste命令用于合并文件的列

• wc： 无论是行数、单词数还是字节数，wc都能给我们准确答案

• sed： 对于复杂的文本替换和编辑任务，sed是不二之选

• awk： awk是一种编程语言，特别擅长在表格数据中进行字段和记录的处理

提供的例子和参数都是最常用和最为实用的

对shell脚本使用的原则是命令单行书写，尽量不要超过2行。

一、find 文件查找高手

1. 查找txt和pdf文件

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

2 正则方式查找.txt和pdf

find . -regex  ".*(.txt|.pdf)$"

• iregex：忽略大小写的正则

3. 否定参数: 查找所有非txt文本

find . ! -name "*.txt" -print

4. 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

5. 定制搜索

• 按类型搜索：

find . -type d -print  #在当前目录（.表示当前目录）下搜索所有的目录（-type d表示只查找目录），并将找到的目录名打印出来（-print表示打印到标准输出）

• 按时间搜索：

-  atime： 访问时间 (单位是天，分钟单位则是-amin，以下类似）
-  mtime： 修改时间 （内容被修改）
-  ctime： 变化时间 （元数据或权限变化）

• 最近7天被访问过的所有文件：

find . -atime 7 -type f -print

• 按大小搜索：w字 k M G

寻找大于2k的文件

find . -type f -size +
2k

• 按权限查找：

find . -type f -perm 644 -print #找具有可执行权限的所有文件

• 按用户查找：

find . -type f -user weber -print #找用户weber所拥有的文件

6. 找到后的后续动作

删除：

删除当前目录下所有的swp文件：

find . -type f -name "*.swp" -delete

7. 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' '作为文件的定界符；

• print0 使用''作为文件的定界符，这样就可以搜索包含空格的文件；

二、grep 文本搜索专家

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

grep -c "text" filename

• -n： 打印匹配的行号

• -i： 搜索时忽略大小写

• -l： 只打印文件名

1. 在多级目录中对文本递归搜索(搜索代码配置常用）

grep "class". -R -n

2. 匹配多个模式

grep -e "class" -e "vitural" file

3. grep输出以作为结尾符的文件名：（-z）

grep "test" file* -lZ| xargs -0 rm

三、 xargs 命令行参数转换，批量操作能手

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；

• 将多行输出转化为单行输出

cat file.txt| xargs

• 是多行文本间的定界符, 将单行转化为多行输出

cat single.txt | xargs -n 3

• -n：指定每行显示的字段数

xargs参数说明

• -d 定义定界符 （默认为空格 多行的定界符为 ）

• -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

补充：

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

-0：指定为输入定界符

补充：统计程序行数

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

四、sort 排序大师

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

补充：
sort -nrk 1 data.txt

sort -bd data #忽略像空格之类的前导空白字符

五、uniq 消除重复行

• 消除重复行

sort unsort.txt | uniq

• 统计各行在文件中出现的次数

sort unsort.txt | uniq -c

• 找出重复行

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

六、tr 字符转换器

• 通用用法

echo 12345 | tr '0-9''9876543210' #加解密转换，替换对应字符

cat text| tr '    '' '  #制表符转空格

• tr删除字符

cat file | tr -d '0-9'  #删除所有数字

• -c 求补集

cat file | tr -c '0-9'  #获取文件中所有数字

cat file | tr -d -c '0-9 '  #删除非数字数据

• 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

cat file | tr -s ' '

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:]

tr '[:lower:]''[:upper:]'

七、cut 按列提取文本

• 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 取的范围

• 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

cut 取的单位

• -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）

补充:

cut -c1-5 file #打印第一到5个字符

cut -c-2 file  #打印前2个字符

八、paste 按列拼接器

将两个文本按列拼接到一起;
cat file1
1
2

cat file2

colin
book

paste file1 file2

1 colin
2 book

• 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

九、wc 字数统计员

wc -l file #统计行数

wc -w file #统计单词数

wc -c file #统计字符数

十、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

• 全局替换

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

• 移除空白行：

sed '/^$/d' file

• 变量转换

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]

• 子串匹配标记

第一个匹配的括号内容使用标记 来引用

sed 's/hello([0-9])//'

• 双引号求值

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：

sed 's/$var/HLLOE/'

• 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；

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：将文本中每行内容（PEKSHA） 转换为 PEK/SHA

sed 's/^.{3}/&//g' file

十一、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

echo -e "line1 line2"| awk 'BEGIN{print "start"} {print } END{ print "End" }'

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；

echo -e "line1 f2 f3 line2 line 3"| awk '{print NR":"$0"-"$1"-"$2}'

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 2 3 4 "| awk 'BEGIN{num = 0 ;
print "begin";} {sum += $1;} END {print "=="; print sum }'

传递外部变量

var=1000
echo | awk '{print vara}' vara=$var  #输入来自stdin 
awk '{print vara}' vara=$var file #输入来自文件

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

设置定界符

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；

echo | awk '{"grep root /etc/passwd" | getline cmdout; print cmdout }'

在awk中使用循环

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

补充：

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

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

• 确定行号

seq 100| awk 'NR==4,NR==6{print}'

• 确定文本

打印处于startpattern 和endpattern之间的文本

awk '/start_pattern/, /end_pattern/' filename

补充:
seq 100| awk '/13/,/15/'
cat /etc/passwd| awk '/mai.*mail/,/news.*news/'

awk常用内建函数

• 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

echo | awk '{"grep root /etc/passwd" | getline cmdout; print length(cmdout) }'

printf 类似c语言中的printf，对输出进行格式化

补充：

seq 10| awk '{printf "->%4s ", $1}'

迭代文件中的行、单词和字符

1. 迭代文件中的每一行

• while 循环法:

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. 迭代一行中的每一个单词

for word in $line;
do
echo $word;
done

3. 迭代每一个字符

• ：从字符串中提取一个字符；文本切片）{#word}:返回变量word的长度

for((i=0;i<${#word};i++))
do
echo ${word:i:1);
done

最后

至此，11种Linux Shell文本处理工具，就介绍完毕了，总结有些仓促。每个工具都有其独特之处，合理运用这些工具，可以让我们在处理文本数据时如鱼得水。无论你是系统运维、软件开发，这些工具都将是日常工作中的得力助手。

---

最后~欢迎关注我！ @Linux学习的那些事儿

我的个人资源整理，满满都是干货： 无任何套路，有需要可以访问领取

200T免费资源专区，持续发布中... 

如果本文对你有帮助，欢迎点赞、收藏、转发给朋友，让我有持续创作的动力！