Linux命令相关知识点

操作系统知识点回顾—Linux相关命令 一、相关命令概述 cd :切换目录 ls :查看文件与目录 cp :复制文件 mv :移动文件或者文件夹 rm :删除文件或者文件夹 mkdir :创建文件夹 grep :在指定文件中查找符合要求的字符串 chmod :更改文件权限 ps:查看进程状态 kill:停止进程 tar:文件压缩/解压缩 atop:查看CPU、内存、磁盘、网络的信息 htop:查看CPU、内存、进程的实时信息 vim:... 阅读详情

一.磁盘分类

1.1 df 查看磁盘空间使用情况
df -h (列出文件系统的整体磁盘使用量,检查文件系统的磁盘空间占用情况)
1.2 fdisk 查看分区
fdisk -l (显示所有硬盘的分区列表)
1.3 mount/umount 挂载/卸载(必须要有光盘或者已经连接镜像文件)
mount [-t vfstype] [ -o options] device dir (挂载设备)
umount 设备文件名或挂载点 (卸载设备)
-t vfstype 指定文件系统的类型,通常不必指定。mount 会自动选择正确的类型
-o options 主要用来描述设备或档案的挂接方式。常用的参数有:
loop:用来把一个文件当成硬盘分区挂接上系统
ro:采用只读方式挂接设备
rw:采用读写方式挂接设备
  iocharset指定访问文件系统所用字符集
device 要挂接(mount)的设备
dir 设备在系统上的挂接点(mount point)

二.进程线程类

(进程是正在执行的一个程序或命令,每一个进程都是一个运行的实体,都有自己的地址空间,并占用一定的系统资源)

2.1 ps 查看当前系统进程状态
ps aux (查看系统中所有进程)
ps -ef (可以查看子父进程之间的关系)
2.1.1 选项 -a 选择所有进程
-u 显示所有用户的所有进程
-x 显示没有终端的进程
3.功能说明
(1)ps aux显示信息说明
USER:该进程是由哪个用户产生的
PID:进程的ID号
%CPU:该进程占用CPU资源的百分比,占用越高,进程越耗费资源;
%MEM:该进程占用物理内存的百分比,占用越高,进程越耗费资源;
VSZ:该进程占用虚拟内存的大小,单位KB;
RSS:该进程占用实际物理内存的大小,单位KB;
TTY:该进程是在哪个终端中运行的。其中tty1-tty7代表本地控制台终端,tty1-tty6是本地的字符界面终端,tty7是图形终端。pts/0-255代表虚拟终端。
STAT:进程状态。常见的状态有:R:运行、S:睡眠、T:停止状态、s:包含子进程、+:位于后台
START:该进程的启动时间
TIME:该进程占用CPU的运算时间,注意不是系统时间
COMMAND:产生此进程的命令名
(2) ps -ef显示信息说明
UID:用户ID
PID:进程ID
PPID:父进程ID
C:CPU用于计算执行优先级的因子。数值越大,表明进程是CPU密集型运算,执行优先级会降低;数值越小,表明进程是I/O密集型运算,执行优先级会提高
STIME:进程启动的时间
TTY:完整的终端名称
TIME:CPU时间
CMD:启动进程所用的命令和参数
2 .2 kill 终止进程
kill -9 进程号 (通过进程号杀死进程 表示强迫进程立即停止)
killall 进程名称 (通过进程名称杀死进程,也支持通配符,这在系统因负载过大而变得很慢时很有用)
2.3 pstree 查看进程树
pstree -p (显示进程的PID )
pstree -u (显示进程的所属用户)
2…4 top 查看系统健康状态
top -d 3 (指定top命令每隔几秒更新 默认是3秒在top命令的交互模式当中可以执行的命令)
top -i (使top不显示任何闲置或者僵死进程)
top -p (通过指定监控进程ID来仅仅监控某个进程的状态)
操作说明
P (以CPU使用率排序 默认就是此项 )
M (以内存的使用率排序)
N (以PID排序)
q (退出)
查询结果字段解释
1.第一行信息为任务队列信息
12:26:46 (系统当前时间)
up 1 day, 13:32 (系统的运行时间,本机已经运行1天13小时32分钟)
2 users (当前登录了两个用户)
load average: 0.00, 0.00, 0.00 (系统在之前1分钟,5分钟,15分钟的平均负载。一般认为小于1时,负载较小。如果大 于1,系统已经超出负荷)
2. 第二行为进程信息
Tasks: 95 total (系统中的进程总数)
1 running (正在运行的进程数)
94 sleeping (睡眠的进程)
0 stopped (正在停止的进程)
0 zombie (僵尸进程。如果不是0,需要手工检查僵尸进程)
3.第三行为CPU信息
Cpu(s): (0.1%us 用户模式占用的CPU百分比)
0.1%sy (系统模式占用的CPU百分比)
0.0%ni (改变过优先级的用户进程占用的CPU百分比)
99.7%id (空闲CPU的CPU百分比)
0.1%wa (等待输入/输出的进程的占用CPU百分比)
0.0%hi (硬中断请求服务占用的CPU百分比)
0.1%si (软中断请求服务占用的CPU百分比)
0.0%st (st(Steal time)虚拟时间百分比。就是当有虚拟机时,虚拟CPU等待实际CPU的时间百分比)
4.第四行为物理内存信息
Mem: 625344k total (物理内存的总量,单位KB)
571504k used (已经使用的物理内存数量)
53840k free (空闲的物理内存数量,我们使用的是虚拟机,总共只分配了628MB内存,所以只有53MB的空闲内存了)
65800k buffers (作为缓冲的内存数量)
5.第五行为交换分区(swap)信息
Swap: 524280k total (交换分区(虚拟内存)的总大小)
0k used (已经使用的交互分区的大小)
524280k free (空闲交换分区的大小)
409280k cached (作为缓存的交互分区的大小)
2.5 netstat 显示网络统计信息和端口占用情况
netstat -anp |grep 进程号 (查看该进程网络信息)
netstat -nlp | grep 端口号 (查看网络端口号占用情况)
-n (拒绝显示别名,能显示数字的全部转化成数字)
-l (仅列出有在listen(监听)的服务状态)
-p (表示显示哪个进程在调用)

三. crond 系统定时任务

3.1 crontab 定时任务设置

  -e	(编辑crontab定时任务)
  -l	(查询crontab任务)
  -r	(删除当前用户所有的crontab任务)
  
  **eg:**(**"* * * * *"**  :  一小时当中的第几分钟 一天当中的第几小时 一个月当中的第几天 一年当中的第几月 一周当中的星期几)
  45 22 * * * 命令	(在22点45分执行命令)
  0 17 * * 1 命令	(每周1 的17点0分执行命令)
  0 5 1,15 * * 命令	(每月1号和15号的凌晨5点0分执行命令)
 40 4 * * 1-5 命令	(每周一到周五的凌晨4点40分执行命令)
*/10 4 * * * 命令	(每天的凌晨4点,每隔10分钟执行一次命令)
0 0 1,15 * 1 命令	(每月1号和15号,每周1的0点0分都会执行命令。注意:星期几和几号最好不要同时出现,因为他们定义的都是天。非常容易让管理员混乱)

四.软件包管理

4.1 RPM查询命令
rpm -qa (查询所安装的所有rpm软件包)
4.2 RPM卸载命令
rpm -e RPM 软件包 (卸载软件包)
rpm -e --nodeps 软件包 (卸载软件时,不检查依赖。这样的话,那些使用该软件包的软件在此之后可能就不能正常工作了)
4.3 RPM安装命令
选项
rpm -ivh RPM 包全名
-i -i=install,安装
-v -v=verbose,显示详细信息
-h -h=hash,进度条
–nodeps --nodeps,不检测依赖进度
4.4 YUM的常用命令
yum -y [参数]
[参数]
install 安装rpm软件包
update 更新rpm软件包
check-update 检查是否有可用的更新rpm软件包
remove 删除指定的rpm软件包
list 显示软件包信息
clean 清理yum过期的缓存
deplist 显示yum软件包的所有依赖关系
4.5 修改网络YUM源
前提必须可以联网
在Linux环境中访问该网络地址:http://mirrors.163.com/.help/centos.html,在使用说明中点击CentOS6->再点击保存
替换本地yum文件
mv CentOS6-Base-163.repo /etc/yum.repos.d/
进入/etc/yum.repos.d/目录
用CentOS6-Base-163.repo替换CentOS-Base.repo 但是之前最好把原来的进行备份,防止出错
安装命令
Yum clean all
Yum makecache 就是把服务器的包信息下载到本地电脑缓存起来

Linux初学一些环境搭建、相关流程知识点和命令 Linux一些基础的东西,适用于初学者... 阅读详情

相关推荐

deepfacelab下载安装及训练(小白篇),以及导出SAEHD为dfm文件,解决broken pipe问题

其中如果用的是RTX30系列显卡的话,需要把WIN10升级到20H4或更新版本,然后打开硬件加速,不然会出现训练时一直卡在第一个迭代不动了,我的服务器版本为22H2,符合。支持WIN10,win11,WIN7,LINUX,不支持mac(因为mac不支持NVIDIA显卡)

caoyongsheng的博客 3887

linux之pool

它可以同时监视多个文件描述符,当其中任意一个文件描述符发生读写事件时,就会通知程序进行相应的处理。与 select 不同的是,poll 函数使用一个结构体数组来存储需要监视的文件描述符,而不是使用 fd_set 集合。此外,poll 函数没有最大文件描述符数量的限制,也不会改变传入的 nfds 参数的值,因此使用起来更加方便。例如,如果要监视三个文件描述符,那么 nfds 的值应该是 4。,因为 poll 函数还需要监视一个额外的文件描述符,即用于中断 poll 函数阻塞的文件描述符。

wjfdsklfdkfksd的博客 721

VSCode 远程开发:实现服务器图形化界面(GUI)的高效操作指南

本文详细介绍了如何通过VSCode远程开发实现服务器图形化界面(GUI)操作,包括X11转发原理、完整配置指南和实战测试。通过安装Xming、配置SSH连接和服务器端设置,开发者可以高效地在本地显示远程GUI应用,提升开发效率。

weixin_29245767的博客 292

【Linux】实现一个简易的进程池

利用管道通信的方式实现了一个简易的进程池程序,父进程通过管道向子进程派发任务,子进程通过管道读取任务并执行.

C/C++领域,数据结构,linux,MySQl学习者 1128

LTSPICE使用教程:导入第三方库模型进行仿真

LTSPICE导入第三方SPICE模型进行仿真,以英飞凌的第三方.lib模型为实例进行详解

焊武大帝的专栏 3万+

淘宝链接跳转微信全攻略:自建合规中转页实现私域引流

在跨平台运营中,链接跳转是连接不同生态、实现流量引导的关键技术。其核心原理是通过服务器端或前端逻辑,将用户从一个平台的链接安全引导至目标页面,同时规避平台间的访问限制。这项技术的核心价值在于打破数据孤岛,实现跨平台用户沉淀与精细化运营,广泛应用于电商引流、私域流量构建和跨平台营销等场景。本文聚焦于**淘宝短链**与**企业微信**之间的跳转难题,提供了一套基于自建中转页面的完整工程解决方案,手把手教你如何通过合规的技术手段,将淘宝流量高效、安全地引导至微信生态,并实现数据追踪与客户分流。

weixin_34185512的博客 411

linux常用命令整理

coming soon

bestpool的专栏 611

【EPICS学习记录】根据官方教程创建一个IOC应用

参照官网给出的IOC创建教程逐步操作完成了一个IOC应用的创建,官网教程中有部分过程表述的不清晰,自己摸索之后完成了IOC的创建,并把流程记录下来。其中有一些操作不是很理解,有问题或者建议欢迎指正。

yifeng_H的博客 3661

学习笔记(二)Linux命令和相关知识点

停止hadoop服务:sudo systemctl stop hadoop*(sudo相当于管理员身份来停止)删除hadoop文件夹路径:sudo rm -rf hadoop文件路径删除hadoop用户:sudo userdel -r hadoop删除hadoop环境变量:vim /etc/profile(进入配置文件删除)删除hadoop配置文件:sudo rm -rf /etc/hadoop删除hadoop日志文件:sudo rm -rf /var/log/hadoop删除hadoop数据文件:

liwen_me的博客 157

Midscene.js(3):手把手教你用 YAML 脚本实现 AI 驱动的 Web UI 自动化「喂饭教程」

Midscene.js是一款开源的AI驱动UI自动化工具,通过自然语言描述即可控制浏览器或Android设备执行操作。它支持YAML脚本编写测试用例,降低了自动化测试门槛。

blues_C的博客 3241

Unreal从入门到精通之如何绘制用于VR的3DUI交互的手柄射线

之前我写过一篇文章《Unreal5从入门到精通之如何在VR中使用3DUI》,其中讲到使用WidgetComponent和3DUI进行交互。然而,这种方法存在一个问题:为了让射线可视化,我们需要勾选“调试/显示调试”,这样才能在手柄上看到代表其指向的一条红色射线。但最关键的问题是,这个显示调试信息的功能只属于Debug调试模式,也就是说,一旦将项目正式打包发布,这条射线辅助线就没有了。如下图所示:我就觉得Unreal官方真的是有点过分了,这不应该是最基本的功能么?难道我们VR要在Debug模式下发布?

TxNet 1612

find 命令_linux的find命令相关知识点

find命令是用来在给定的目录下查找符合给定条件的文件find [OPTIONS] [查找起始路径] [查找条件] [处理动作]一、OPTIONS参数-P、-L、-H:控制软连接的对待方式,用的不多。不介绍了二、查找路径就是个目录路径,相对和绝对都可以。三、查找条件(一)、根据名称查找-name "PATERN"-iname "PATERN" :不区分名称字母大小写-regex PATTERN:基...

weixin_39781209的博客 196

基于PCL、Open3d、Easy3d 、VTK等常见开源库的QT开发

PCL+QT开发

阁楼 2万+

linux 相关知识点分解与基础命令大全

Table of Contents 2. 一些基础命令解读 2.1 ls  2.2 cd 2.3 mkdir 2.4 touch 2.5 cp 2.6 tail 2.7 head 2.8 echo 2.9 pwd 2.10  tree 2.11 xargs 2.12 rm 2.13 alias 2.14 unalias 2.15 find 2.16 grep  ...

a1779078902的博客 307

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

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")

Linux知识点之认识linux及相关操作命令

#####系统基本常识#### 1.什么时linux      linux常识上都认作是和windows一样,是一种操作系统;而linux是与linux内核捆绑在一起的程序,工具和服务,以提供所有必需的组件全功能的一个集合体,这个集合也被称为GNU/Linux,因其开源和免费性,衍生出众多版本,也包括很多组件。 2.什么时shell     shell类似于一个壳包住Linux内核,使用户和L...

bravemxx的博客 257

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

linux文件管理相关知识,文件管理相关知识点和命令

文件管理相关知识点和命令文件通配符*:匹配零个或者多个任意字符?:匹配任意单个字符~:当前用户家目录~username:用户家目录~+:当前工作目录~-:前一个工作目录[0-9]:匹配任意单个数字[a-z][A-Z]:字母匹配特作说明,字母顺序设定aAbBcC,所以[a-z]不能代表所有小写字母,里面还包含了除Z以外的大写字母同理[A-Z]也不能代表所有大写字母,里面还包含了除a以外的小写字母[a...

weixin_35531655的博客 197

Linux集成Redis相关命令及知识点

登录redis客户端登录之后查看redis状态订阅者模式详解订阅者收到的消息。

weixin_56388885的博客 637

Linux 进程相关知识点与命令合集(二)

1.

weixin_43201814的博客 175

Linux常用命令以及其他相关的小知识点

首发:[url]http://www.chuiniudi.cn/archives/12[/url] chmod 777 [目录名或文件名] ——改变目录或文件的权限 touch [文件名] ——创建文件 chown [-R] [用户名:群组] [目录名或文件名] ——修改文件或文件夹的所有者和所属群组 chgrp [群组] [文件名] ——改变文件...

weixin_34345560的博客 79

【Linux知识点汇总】06 Linux系统网络和进程相关命令

【Linux知识点汇总】06 Linux系统网络和进程相关命令

光影8号的专栏 502

linux中的一些常用的命令和相关知识点 (1)

linux常用的命令

weixin_43491259的博客 197

Linux命令和相关知识点,从基础到高级,包括文件系统管理、软件包管理、进程管理、网络管理、系统监控、安全管理和脚本编程等方面。

编辑 /etc/network/interfaces 文件(Debian/Ubuntu)或 /etc/sysconfig/network-scripts/ifcfg-eth0 文件(Red Hat/CentOS)。原文链接:https://blog.youkuaiyun.com/qq_73221815/article/details/143960800。示例:mv /home/user/oldname.txt /home/user/newname.txt。

m0_75236543的博客 549

嵌入式温度采集实战:PJ85718DM与PIC18F86J16的本地远程测温方案

温度测量是嵌入式系统与HVAC控制中的基础环节,其核心不仅在于读取传感器寄存器,更在于如何稳定可靠地获取本地与远程多点数据。工程实践中,传感器通过I2C等两线接口与主控通信,主控负责数据解析、滤波校准及异常处理。这一技术组合的价值在于简化硬件架构、提升抗干扰能力,并能在风管、机房、工业现场等场景中灵活部署。针对长线传输带来的信号衰减和地环路干扰,往往需要结合屏蔽接地、线阻补偿和固件滤波来保证精度。本文以一颗远程温度传感器搭配高引脚数单片机为例,详细介绍了从选型、硬件布局到固件轮询与故障检测的完整链路,为兼顾

weixin_34279246的博客 395

【Linux知识点汇总】07 Linux系统防火墙相关命令,关闭和开启防火墙、开放端口号

Linux系统中防火墙开启与关闭,开放端口等

光影8号的专栏 841
上一篇: Linux基础命令
下一篇: Shell相关命令
Poolweet_
博客等级 码龄7年 21粉丝 48原创
评论
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