Linux Shell-文本处理工具集锦

来自：大 CC
链接：www.cnblogs.com/me15/p/3427319.html

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；

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；

01 find 文件查找

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  //只列出所有目录
-type f 文件 / l 符号链接

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

执行动作（强大的 exec）

find 
.
 
-
type f 
-
user root 
-
exec chown weber 
{}
 
;
 
//将当前目录下的所有权变更为
weber

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 
;

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；

02 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

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 (程序员搜代码的最爱）：

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

4 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；

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

eg：

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

-0：指定为输入定界符

eg：统计程序行数

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

03 sort 排序

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

04 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

05 用 tr 进行转换

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:]

eg
:
 tr 
'[:lower:]'
 
'[:upper:]'

06 cut 按列切分文本

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）

eg:

cut -c1-5 file //打印第一到5个字符
cut -c-2 file  //打印前2个字符

07 paste 按列拼接文本

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

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

08 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

09 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；

eg:
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

10 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];}

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

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

eg:
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

eg：

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

${string:startpos:numof_chars}：从字符串中提取一个字符；(bash 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