我常用的linux命令(长期更新)

从零开始:手把手教你理解UBOOT的BL0、BL1、BL2启动流程 本文详细解析了嵌入式系统中UBOOT启动流程的核心三阶段:BL0、BL1和BL2。BL0作为芯片固化的ROM代码,负责最基础的硬件初始化和加载BL1;BL1(SPL)作为二级程序加载器,在SRAM中运行并初始化DRAM,为加载BL2铺路;BL2则是完整的UBOOT主体,运行于DRAM,负责最终的外设初始化和操作系统引导。文章通过代码示例和流程图,手把手教你理解从芯片上电到系统就绪的完整接力过程。 阅读详情

每人个的工作环境可能不一样,习惯使用的命令一般也就不一样。linux命令确实多,想要完全掌握还是比较困难的一件事情。然而命令很多时候是触类旁通的,很多命令我们看过,n个月也不会用一回,这些命令实在没有必要去掌握的很熟练。下面我就说一下我常用的linux命令吧。

ls   [选项]   目录路径 

这个命令是list简写,在这里是查看目录中的文件的意思。我一般登录到服务器上,第一个命令就是用这个。主要是看看当前用户的目录下,都有那些程序和文件,迅速了解情况,以免登录错了服务器。ls默认并不是显示所有的文件,隐藏文件我们是看不到的。为了看到隐藏文件,如用户当前目录下的 .ssh文件夹,那么我们就要使用 ls -a 命令。a是all的简写,其实你也可以用 ls -all,不过是为了少敲点字母而已。不过使用ls -all的时候,会把所有文件的属性也都显示出来了。


cd 改变目录

这个命令是change directory 的简写,在这里是切换目录的意思。命令格式:cd 目录名。cd  ~  进入用户主目录,用户初始登录到系统中时目录就是用户主目录,而用户可以用~字符来引用自己的主目录。当前目录用“.”表示,其父目录用“..”表示。退到上一级目录就是 cd ..  ;   返回进入此目录之前所在的目录使用cd  -   ;返回上两级目录 cd ../..  。 为了确定你所在的目录,你可以键入pwd,这样你就看到你目前所在的目录了。大家都知道为什么使用这个命令吧,不多说了。

cp  [选项]  源文件目录  目标文件目录
这个命令是copy的简写。该命令把源文件复制至目标文件,或将多个源文件复制至目标目录。看链接吧  点击打开链接。大家在windows下经常复制文件,粘到另一个地方,其实这个也差不太多,只是命令界面而已。我们经常要把文件移来移去的,没有这个命令,不好办。

mv  [选项]  源文件或目录  目标文件
 

这个命令是move的简写。mv命令用来有两个功能,1、把文件(或目录)移动到另外一个目录中;2、变更文件(或目录)名称。当“目标”参数类型是文件时,实现重命名。源文件(或源目录)只能有一个,它将所给的源文件(或目录)重命名为目标文件名。当“目标”参数类型是已存在的目录名称时,源文件(或目录)可以有多个,mv命令将把源文件均移至目标目录中。呃,这个命令我常用来给文件重命名。什么时候会发生嘞?我编译出来的程序是一个文件名,但是我希望我的程序在服务器上是另一个名称,或者一个服务器上我开了几个同样的程序。为了搞清楚每个程序占用了那个端口,我经常给文件加上一个端口名,ps一下我就知道那些程序在跑了。移动文件也用,比如我编程出来的一件文件,比较muduo的lib文件之类的,我希望直接放到/usr/lib中,那么这个命令就有用了。当然你也可以先cp,再rm,如果不怕麻烦的话。

rm  [选项]  文件
这个命令是remove的简写。删除一个目录中的一个或多个文件或目录(文件夹)。嗯,我很喜欢参数 -rf , 强行删除目录dir下的所有文件、子目录下的所有文件和目录、删除dir本身。省得系统会先询问是否删除什么的。这个命令,我经常用在删除一些不用的文件啊,或者服务器上我不再使用的程序啊什么的。反正你得会删除文件吧,那么这个命令你必须得会了。注意的是,rmdir(删除空目录)是一个废柴,我不喜欢用,rm -rf 就够用了。


chmod [选项] [操作对象] [操作符] [权限] 文件名
这个命令是change mode 的简写。chmod 命令用于改变文件或目录的访问权限。这个是linux的一个优点吧,当然也是一个缺点,文件权限问题。不多说了,大家用的时候再查一查吧。我经常向服务器上传可执行程序。scp有一个悲剧就是,你传过去的文件,可执行权限没有了。不能执行,我这程序不是白写了,所以我要把可执行的权限找回来。这个时候,chmod  +x 就该出场了,对吧。经常用的,想忘也也做不到啊。


mkdir  [选项]  目录名称
这个命令是make directory的简写。使用mkdir命令创建指定的目录名,要求并且指定的目录名不能是当前目录中已有的目录。啥时候用嘞?我在服务器上跑了不少的程序,都乱糟糟的话到主目录下,也太不强迫症了吧。所以我给每个程序都建了文件夹,程序放其中。文件夹怎么建嘞?就是mkdir xxx。好吧,你的文件夹就叫xxx。写博客好累啊,明天再补充。

netstat [选项]  

这个命令是network state的简写。netstat可以用来显示网络连接、路由表、接口统计、伪连接和组播成员等。目前这个命令官方已经不再更新了,将来很可能它要被ss命令和ip命令所取代。不过目前使用起来,还是挺好的。我一般主要是看我的服务器的网络连接状态,如我的服务器上目前连接了多少个客户端?去翻看日志真是真low了,不如用这个命令netstat -ant| grep '80' | wc -l  。我这里简单解释一下。-a (all)显示所有选项 ; -n 拒绝显示别名,能显示数字的全部转化成数字;-t (tcp)仅显示tcp相关选项;grep命令比较强大,简单讲就是 把匹配参数的行打印出来,这个命令回头再聊。咳,咳,咳,到了wc(word count)命令了,这个也可以回头聊哈,知道 wc -l 是统计行数的,就可以了。


su [选项]... [-] [USER [ARG]...]

这个命令是switch user的简写。 我用它来切换用户账号,比较我现在的账号是root,我现在想切换到git账号下,我使用su git就可以了。


locate [选项][样式]
locate命令可以在搜寻数据库时快速找到档案,数据库由updatedb程序来更新,updatedb是由cron daemon周期性建立的,locate命令在搜寻数据库时比由整个由硬盘资料来搜寻资料来得快,但较差劲的是locate所找到的档案若是最近才建立或 刚更名的,可能会找不到,在内定值中,updatedb每天会跑一次,可以由修改crontab来更新设定值

Fluent基于低氧舱气体交换仿真(氮气与空气混合) 一、背景概述 模拟低氧舱充氮气和排除混合气体的过程,假设注入95%的氮气,舱内原有气体为空气,压力为标准大气压,温度为300K。观察气体注入过程中,舱内平均氮气和氧气浓度的变化。 二、Fluent设置 Setup 1、General type选择压力基 绝对速度 瞬态 重力勾选 2、Model 能量方程开启 组分运输开启,设置方法如下: 选择后OK,view就会变成Edit,点击Edit。然后再次点击Edit。 将组分中的非氮气氧气和空气的气体移除,右边选项需要将空气放在最后一位。 3、Materi 阅读详情

相关推荐

手搓ZLMediaKit实现拉流推流系列3(RK3588上YOLO系列拉流、MPP解码+编码、推流全流程)

 前段时间比较忙,一直没有时间补充后续的内容。今天终于抽出空来,立马进入码字环节:手搓ZLMediaKit实现拉流推流系列在本篇也终于迎来了完结篇,在本篇文章中,你将看到以下一整套完整流程:使用ZLMediaKit拉流---MPP解码---Yolo模型进行推理---MPP编码并推流。

m0_46303486的博客 2179

linux 路由表之ifconfig

1. 前言      本博客主要分析在应用层使用ifconfig命令时所引发的系统调用、及内核路由表中的地址添加流程。      FIB: forward information base, fib_info结构体 2. ifconfig命令 在应用层使用命令:ifconfig eth0 192.168.1.100 up 配置本地ip地址时将调用busybox源码中的ifconfig.c,...

chenliang0224的专栏 2020

GPT注册与使用全流程详解:从零到一的实战指南

本文详细介绍了GPT的注册与使用全流程,从认识GPT作为智能对话助手开始,到注册前的设备与环境准备、手把手完成账号注册、首次使用指南以及进阶使用技巧。文章还涵盖了安全使用与注意事项,帮助用户从零开始高效利用GPT提升工作效率和内容创作能力。

weixin_33843409的博客 409

常用Linux命令(长期更新)

有些命令如果不常用,老是记不住,每每用到总还要去查,特此将一些命令记录在此: (0)按指定时间删除文件 find target_dir -type f -mtime +3 -exec rm {} \; -mtime -n or +n:按照文件的更改时间来查找文件, -n表示距现在n天以内, +n表示距现在n天以前 -mmin:分钟 (1)解压缩打...

ace15452的博客 182

【HDR】曝光融合(Exposure Fusion)

在曝光融合(Exposure Fusion)算法问世之前,多曝光序列合成用于显示的HDR需要两个步骤,第一步是将多张不同曝光的低动态范围图像合成为HDR(例如Debevec提出的加权融合方法),通常HDR为12bit或者16bit;第二步是通过tonemapping对高动态范围HDR进行压缩以支持低动态范围显示设备(例如Durand提出的基于双边滤波的tonemapping算法),一般会压缩至8bit。

专注人工智能,主攻CV 1万+

EGO_Planner代码学习(三):px4ctrl代码流程

上节阅读了EGO_Planner的轨迹服务器部分的代码,其实质是将规划器生成的轨迹进行离散化,间隔10ms计算当前时刻在轨迹上的位置,并发送到话题上。这两天抽空看了下控制器部分的代码,在l这个软件包里,它的功能是进行px4的模式识别和上层控制,通过线性控制器把发布过来的位置命令解算成飞控的控制量,通过mavros发送给px4。下面就详细看一下它的启动过程。

qq_41069236的博客 6806

Linux系统常用命令汇总【长期更新】

linux系统中常用的一些命令 解压缩;yum源;grep/egrep/sed/ansible等等

97运维的博客 850

为YOLOv11引入加权双向特征金字塔(BiFPN)

本文介绍了将BiFPN应用于YOLOv11模型以提升边缘设备上小目标检测精度的实践。针对传统FPN在特征融合时的信息丢失问题,采用带可学习权重的BiFPN结构进行改造,实现了不同层级特征的动态融合。重点阐述了WeightedFeatureFusion模块的实现细节、neck结构改造方法及训练部署注意事项。实验表明,该改进使小目标AP提升3.1%,参数量仅增加5%,在精度和效率间取得良好平衡。文章还分享了权重初始化、归一化处理等实用技巧,并强调需根据数据特性评估改进效果,重新计算anchor等关键点。

as1225120794的博客 352

Linux常用命令记录(长期更新)

1切换当前路径 cd cd ~ cd .. cd /home/exm 2寻找文件 find find . -name "filename" 3删除操作 rm rm -rf dirname //级联删除文件夹 4 显示当前路径pwd pwd 5 显示当前路径下的文件、目录 ll ls 6 新建目录 mkdir dirname 7新建文件 vi filename touch filename 8 新增用户(管理员才能操作) useradd usernam...

uchaoxi的博客 281

用 DCL 编写 DEFINE ROLE:把 ABAP CDS 的访问控制做对、做实、做漂亮

摘要: 本文详细讲解如何在ABAP CDS中使用DCL(数据控制语言)实现行级授权,确保业务数据安全。核心要点包括: DCL原理:通过DEFINE ROLE将访问条件绑定到CDS实体,自动附加到查询条件(类似隐式WHERE),保障授权一致性。 关键语法: 必需注解@MappingRole: true声明映射角色。 ASPECT pfcg_auth关联PFCG权限对象,动态控制访问。 注解@AccessControl.authorizationCheck定义授权检查策略(如#CHECK启用强制控制)。 优先级

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 168

Spring AI 实战:如何使用 MCP Server 搭建 MCP 天气查询服务

MCP(Model Context Protocol)是 Anthropic 提出的一种开放协议,它定义了AI 模型与外部世界交互的标准方式。通俗地说:大模型本身只拥有训练数据中的知识,它不知道今天的天气、无法查询你的数据库、不能调用你的内部 API。MCP 就是解决这个问题的"桥梁"——它让模型能够发现并使用外部工具(Tools),就像人用手去操作工具一样。角色职责对应依赖MCP Server暴露工具(Tool),供模型调用MCP Client连接 Server,让模型发现和使用工具本文我们先聚焦。

SmartSi 765

linux常用命令(长期更新)

20、tail命令:tail用来指定输出的文件只输出最后几行。3、进入目录:cd, 可在后面提供绝对路径,如:cd /etc/nginx,向上移动cd .. ,进入根目录:cd /4、复制命令:cp,cp file.txt new_file.txt。7、移动命令:mv,如:mv file.txt fileDir。10、更新指定文件的访问和修改时间、创建新的文件夹:touch。21、head命令:与tail相反,输出前几行。25、下载文件:sz,sz后面指定文件目录。14、创建、查看和连接文件:cat。

有问题请发邮箱dengyifanlittle@163.com进行讨论 318

Android Treble 简介

上面两段话来自官网上,Android 8.0 重新设计了 Android 操作系统框架(在一个名为“Treble”的项目中),以便让制造商能够以更低的成本更轻松、更快速地将设备更新到新版 Android 系统。本文主要整理一下Android Treble框架。

私房菜 9275

unzip命令找不到_Linux系统常用命令【长期更新】

从优快云中迁移而来,原文在这里:Linux系统常用命令【长期更新】_97运维的博客-优快云博客​blog.youkuaiyun.com判断是rhel还是centoscat /etc/*-release查看系统版本uname -a cat /etc/system-release查看系统内存大小(总数,kb)cat /proc/meminfo | grep MemTotal free -m (free -g)...

weixin_39724793的博客 390

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

LINUX新手常用命令[长期更新]

设置文件夹权限为777 chmod -R 777 /var/www/onethink/

若水印象博客 913

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

从零开始学习Linux常用命令(长期更新)

1.date 查看时间 date [MMDDhhmm[[CC]YY][.ss]] CCYY 四位年份 .ss 秒钟 2.hwclock 查看硬件时钟 hwclock -s 硬件时钟同步到系统 -w 系统时钟同步到硬件 3.cal 显示日历 4.cd 目录切换 cd ~ 回到当前用户主目录 ~USERNAME 切换至指定用户主目录 - 在上一个目录和...

たかなし りっか 312

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

Linux常用命令(长期更新)

工作常用linux命令

qq_59419857的博客 461

Linux常用命令(长期更新版)

第二个需要在停服务后进行清理,否则清空后不打印日志。user_name 目标服务器用户。remote_ip 目标服务器ip。remote_path 目标路径。(1).上传本机文件到远程服务器。(2).上传本机目录到远程服务器。(3).拷贝远程服务器文件到本机。(4).拷贝远程服务器目录到本机。local_path 本地路径。file_name 文件名称。指定开放15672端口。查询80端口占用情况。

qq_44982045的博客 360

Linux 常用命令行(长期更新)

Linux 常用命令行简单使用 文件、文件夹 基本操作 命令 例子 含义 参数 注意 cp cp -r src target 将src递归复制到target,没有target则新建 r:递归复制。src 源文件 目标文件 文件夹也是一种文件 文件查找 运维基本操作 命令 例子 含义 参数 注意 ps ps 网络命令 ...

Hpbbs 263

Linux 常用命令大全(长期更新)

常见指令 打包压缩相关命令 关机/重启机器 Linux管道 vim使用 用户及用户组管理 文件权限管理 更改文件的用户及用户组 更改权限 常用指令 ls 显示文件或目录 -l 列出文件详细信息l(list) -a 列出当前目录下所有文件及目录,包括隐藏的a(all) mkdir 创建目录 -p 创建目录,若无父目录,则创建p...

weixin_34090643的博客 134

Linux 常用命令速查【长期更新】

1.安装rpm 安装rpm -ivh xx.rpm 卸载 rpm -e xx.rpm 查询 rpm -qa xx.rpm 查询安装路径:上面的结果 rpm -ql xxxxx 2.软件多版本管理,比如jdk alternatives alternatives --install /usr/bin/java java /usr/java/jre1.6.0_21/bin/java 400

品月之泪 1098

ssh相关命令Linux,Linux SSH常用命令 [长期更新]...

chmod 755 public_html/ -R 更改目录 里的文件权限为 755, -R 是参数rm -rf /public_html/目录 删除目录语法:unzip 〔选项〕 压缩文件名.zip各选项的含义分别为:-x 文件列表 解压缩文件,但不包括指定的file文件。-v 查看压缩文件目录,但不解压。-t 测试文件有无损坏,但不解压。-d 目录 把压缩文件解到指定目录下。-z 只显示压缩文...

weixin_30465747的博客 282

日常linux常用命令集合!长期更新中!!

1. tee 重定向文件 eg:|tee + 文件名 2. >重定向文件 eg:ls > a | tee a.txt 3. 后台执行 eg:nohup4. 查找可执行文件位置 which + 文件名5. VIM使用技巧 移动光标 CTRL+F/B +-0$ 自己揣摩 ...

不受天磨非好汉,不遭人妒是庸才——着实着迷゛ 387

Linux常用工具与命令日常记录(长期更新)

Linux常用工具与命令日常记录(长期更新)

北观止的博客 368

Linux常用命令(长期更新...)

1. tar 打包工具 添加-c参数创建压缩包,-f参数指定文件名 tar -cf test.tar test/ 创建*.tar.gz,添加-z参数,使用gzip工具打包 tar -czf test.tar test/ 解压 tar -zxvf test.tar.gz...

临曦暮雨的小屋 272

Linux Shell常用命令(长期更新)

#判断某个字段是否匹配指定值 awk -F"," '{if($4=="value"){print $1} else {print $0}}' file.txt#批量修改文件后缀名find /data/ -name "*.pdf" |while read name;do na=$(echo $name|sed s'/pdf/PDF/g'); mv $name $na; donerena...

weixin_33716557的博客 86
上一篇: 程序员的十层楼
下一篇: GTP:GPRS隧道协议(GPRSTunnellingProtocol) 什么是GTP?
Code_My_Life
博客等级 码龄12年 43粉丝 108原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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