shell命令

Shell脚本应用(一).mm 立即下载

shell命令

shell的定义:

在计算机科学中,Shell就是一个命令解释器。一句话,shell就是在操作系统和应用程序之间的一个命令翻译工具。
脚本 是可执行命令的组合

shell 的分类

基本上shell分两大类:图形界面shell和命令行shell 
图形界面shell:图形界面shell就是我们常说的桌面  
命令行式shell
windows系统: cmd.exe 命令提示字符
linux系统: sh / csh / ksh / bash / …
我们常说的shell是命令行式的shell,在工作中常用的是linux系统下的bash。

查看当前系统的shell类型

echo $SHELL

查看当前系统环境支持的shell

[root@linux-node1 ~]# cat /etc/shells

shell 的注释

单行注释:
    除了首行的#不是注释外,其他所有行内容,只要首个字符是#,那么就表示该行是注释

多行注释:
    多行注释有两种方法::<<! … ! 和 :<<字符 … 字符(重定向到什么也不干 :表示什么也不干)

常见命令详解:
grep : (搜索)
grep -rn bash
(递归当前目录(.)(包含bash 的行)) *当日志中有错误可以用这个命令显示错误在哪个文件中

find:(文件搜索工具)

find  . -name "*hello*`

搜索文件名大概是 xxx 的文件

sed:(基于行的文件编辑工具)

sed "s#sed#SED#" sed.txt   

将sed.txt 文件中每一行第一个小写的sed 替换为大写的sed 输出预览,原文件没有被修改

sed -i "s#sed#SED#" sed.txt   

将sed.txt 文件中每一行第一个小写的sed 替换为大写的sed 输出预览,原文件被修改

sed "2s#sed#SED#g" sed.txt 

(*2(第二行,不是所有行 ) s (替换) #sed(原内容)#SED(替换后的内容)g(所有列)))

sed -i  "3a\hello" sed.txt 

(*3 (第三行) a下方 \hello (增加内容))

sed -i  "3i\hello" sed.txt 

(*3 (第三行) i 当前行数 \hello (增加内容))

sed -i "4d" sed.txt 

(*4(第四行) d (删除))

sed -i "1s#python#python3#1" `find class -name "*.py" `
 sed -i "1s#python3#python#1" class/*/*.py
 
python@ubuntu:~/Desktop/class$ tree
.
├── day1
│   ├── abc.py
│   ├── list_timeit.py
│   ├── newabc.py
│   └── tmit.py
├── linklist
│   ├── CycleLinkList.py
│   ├── DoubleLinkList.py
│   └── SingleLinkList.py
└── sort
    ├── bubble_sort.py
    ├── insert_sort.py
    ├── merge_sort.py

将class 目录下首行python 解释器换成python3

awk (基于行拆分列的文件编辑工具)

常见参数:

-F 指定行的分隔符

常见动作:

print 显示内容
$0 显示当前行所有内容
$n 显示当前行的第n列内容,如果存在多个$n,它们之间使用逗号(,)隔开

python@ubuntu:~$ cat awk.txt 
awk awk  awk
awk awk  awk 
awk awk  awk 
awk awk  awk 
awk awk  awk 
awk  '{awk $1,$3}' awk.txt

读取awk.txt 的每一行,打印第一列和第三列

常见 内置变量:

FILENAME 文件名 (读取一行打印一行的文件名字)

 awk '{print FILENAME}' awk.txt  

NR 行号

awk '{print NR $0}' awk.txt
awk 'NR==2 {print $2}' awk.txt   

第一个打印所有行号和内容,第二个打印二行二列的内容

NF 列数

awk '{print NF}' awk.txt  
输出每一行可分割的列数
 awk  '{print $NF}' awk.txt
输出最后一列的内容

OFS 输出格式的列分隔符,缺省是空格

 awk 'BEGIN{OFS=":"}{print NR,$0}' awk.txt 
1:awk awk  awk
2:awk awk  awk 
3:awk awk  awk 
4:awk awk  awk 
5:awk awk  awk 

FS 输入文件的列分融符,缺省是连续的空格和Tab 模板文件内容

awk 'BEGIN{FS="k"} {print $2,$3}' awk.txt  

(awk -F "k" '{print $2,$3}' awk.txt)这种方法简单
 aw   aw
 aw   aw
 aw   aw
 aw   aw
 aw   aw

输出以k 为分割点的第二列第三列的内容

数值计算之 插值法(4)切比雪夫零点插值 数值计算之 插值法(4)切比雪夫零点插值前言插值点选取第一类切比雪夫多项式拉格朗日插值多项式的余项切比雪夫零点插值后记 前言 上篇插值法讨论了多项式插值的解,以及龙格现象。本篇将介绍一种在抽取节点时有效降低龙格现象的方法——切比雪夫零点插值。 插值点选取 插值多项式阶数较高时,在取值空间均匀取点,容易出现龙格现象。 即区间边缘的插值结果与原函数差异很大,而区间中央的插值结果相对较好。这表明,高阶多项式插值对区间中央的节点拟合好,而对两端节点拟合效果差。 自然而然会想到,在两端多采样一些节点,在中间少采样一 阅读详情

相关推荐

扣子(coze)案例^第22期:零代码打造小红书竞品监控系统+AI自动生成运营策略建议

本文详细介绍了如何利用扣子(coze)平台零代码搭建小红书竞品监控系统。该系统通过自动化工作流抓取竞品笔记数据,并存入飞书多维表格,结合AI能力自动生成包含可视化分析报告在内的运营策略建议,帮助运营者高效进行数据驱动的市场分析。

weixin_29313239的博客 1004

认识shell

什么是shell shell是用户和Linux操作系统之间的接口。Linux中有多种shell,其中缺省使用的是Bash。本章讲述了shell的工作原理,shell的种类,shell的一般操作及Bash的特性。 什么是shell Linux系统的shell作为操作系统的外壳,为用户提供使用操作系统的接口。它是命令语言、命令解释程序及程序设计语言的统称。 shell

MM_xiangniangaozhong的专栏 638

基于STM32的HC-SR04超声波模块测距(新手级)

本人是嵌入式新手,学习了STM32的部分内容,最近想找些项目做,然后顺便学习了一下HC-SR04超声波模块,学习过程中也参考了一些大佬的文章。本文记录了自己的学习方法和学习过程,同时也希望能和各位大佬交流讨论。

weixin_63758495的博客 2205

shell基础知识

shell基础知识 1 自动化 运维 写shell脚本完成运维活动 2 shell 1 定义: 命令解释器(应用程序和操作系统之间的接口) 2 分类: 狭义上指的是命令行shell(linux下的bash) 3 查看shell信息 查看当前系统shell版本: echo $SHELL 查看系统兼容性支持的其他版本: cat /etc/shells 4 shell脚本 脚本...

PyTtCcMm的博客 316

NVIDIA GPU任务调度全景:从Block分配到Warp发射

GPU并行计算的核心是任务调度,而CUDA kernel在GPU上的执行并非简单的一次性操作,而是经过从CPU命令队列到硬件前端,再到GigaThread引擎和Warp Scheduler的多层协同。理解这一过程,是性能优化的基础。Warp作为硬件调度的基本单位,其状态切换与延迟隐藏能力直接决定计算单元的利用率;而Occupancy作为衡量SM上活跃Warp池大小的指标,也并非越高越好,需要结合访存模式与资源占用综合判断。对于多任务并发场景,Stream优先级、计算抢占、MIG硬件隔离与MPS软件共享等机制

weixin_32612263的博客 270

别再只盯着照片了!手把手教你用Python提取大疆照片里的GPS、姿态和RTK数据

本文详细介绍了如何使用Python提取大疆照片中的GPS、姿态和RTK数据,帮助用户解锁无人机拍摄照片中的隐藏元数据。通过实战代码示例,展示了如何解析EXIF格式的定位、姿态和RTK状态信息,并实现批量处理与数据分析,适用于测绘、农业巡检等专业领域。

weixin_30790841的博客 153

Shell的基础知识和常用命令

(2)如果是文件,数字表示硬链接个数(硬链接个数:一个文件的文件名个数,eg:a文件有x、y两个文件名,因为x、y指向同一个a,改动x或y都会对a造成改变)使用箭头键向前向后滚动手册页的内容。绝对文件路径:定义了在虚拟目录结构中该目录的确切位置,以虚拟目录的根目录开始,相当于目录的全名。-u:目标文件存在,只有现在要移动的文件比已经存在的文件新的时候才会更新。,eg:touch新建一个文件,(mv 文件 新文件)改变文件但内容不变。注:(cp文件1文件2目录)这样可以将两个文件一起复制到一个目录里。

m0_73882285的博客 363

解决uc浏览器劫持video标签问题

解决uc视频悬浮播放 ,video标签被浏览器劫持 ,vide0适配

smile_y_y的博客 3449

shell主要命令使用总结

ls :列出目录内容 列出文件信息(默认是当前目录),以字母顺序排序(如果使用没有任何 -cftuvSUX 或 --sort选项) grep 格式: grep [option] pattern filename 注意: pattern如果是表达式或者超过两个单词的, 需要用引号引用. 可以是单引号也可双引号, 区别是单引号无法引用变量而双引号可以. egrep egrep = grep

mm_bit的博客 1691

《基于YOLOv5/8/10的足球比赛球员识别系统毕设全指南:从开发到部署的一站式实战》

本文提出了一个基于YOLO系列模型的足球球员识别系统,具备完整的开发流程和技术方案。系统通过YOLOv5/8/10三大框架实现球员检测,平衡精度与速度需求。开发过程包含数据标注与增强、模型训练调优、PyQt5界面开发等关键环节,并提供了模型轻量化、多任务扩展等优化方向。系统可实现单张图像和视频流的实时识别,支持跨设备部署,适用于赛事分析和训练复盘场景。项目特色在于完整的技术实现路径和对不同YOLO框架的性能对比,为计算机视觉在体育领域的应用提供实践参考。

m0_71589036的博客 216

一张图看懂 ABAP CDS 两大子语言:CDS DDL 与 CDS DCL 以及缺席的 DML

ABAP CDS 的核心设计思想围绕语义数据模型(DDL)与数据访问控制(DCL)展开,而非单纯作为SQL查询工具。其DDL通过声明式语法定义业务导向的数据视图,强调模型稳定性与复用性;DCL则将访问控制逻辑下沉到模型层,实现行级权限过滤。ABAP CDS刻意剥离DML功能,交由ABAP SQL处理数据变更,形成清晰的分层架构。这种设计使数据定义、访问控制与应用逻辑解耦,为现代ABAP应用提供更安全、可维护的数据治理方案。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 976

Shell命令汇总

shell uname命令 uname命令 uname命令用于打印当前系统相关信息(内核版本号、硬件架构、主机名称和操作系统类型等)。 语法 uname(选项) 选项 -a或--all:显示全部的信息; -m或--machine:显示电脑类型; -n或-nodename:显示在网络上的主机名称; -r或--release:显示操作系统的发行编号; -s或--sysname:显示操作系统名称; -v:显示操作系统的版本; -p或--processor:输出处理器类型或"unknown".

qq_34226628的博客 9521

高级数据结构之R树(R-tree)

R树(R-tree)是一种将B树扩展到多维情况下得到的数据结构,它最初由Antonin Guttman于1984年提出。B树的结点中会存储一个键的集合,这些键把线分成片段,沿着那条线的点仅属于一个片段。因此,B树使得我们可以很容易地找到点。如果把沿线各处的点表示成B树结点,我们就能够确定点所属唯一子结点,在那里可以找到该点。 Antonin Guttman在他提出R树的经典论文中给出的R树例子...

白马负金羁 1万+

shell 用command 命令

from:https://blog.youkuaiyun.com/u011068702/article/details/80787824 command [-pVv] command [arg ...] Run command with args suppressing the normal shell function lookup. Only builtin commands or comm...

frank的专栏 1万+

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

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

如何理解 Linux 命令 和 Shell 命令 之间的关系

Linux 命令:通常指在 Linux 操作系统上可用的各种指令和工具,用于执行特定的任务。这些命令可以是独立的可执行文件,也可以是 Shell 内置的命令。Shell 命令:指通过 Shell(命令行解释器)执行的指令,包括 Shell 自身提供的内置命令和外部可执行文件。总结:**大多数情况下,我们所说的 Linux 命令都是通过 Shell 执行的,因此可以被视为 Shell 命令。**然而,根据命令的来源和实现方式,它们可以分为Shell 内置命令和外部命令。Shell。

hahaha_1112的博客 2985

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")

如何从Java执行Shell命令

在Java中,我们可以使用ProcessBuilder或Runtime.getRuntime().exec来执行外部shell命令: 1. ProcessBuilder ProcessBuilder processBuilder = new ProcessBuilder(); // -- Linux -- // Run a shell command processB...

一名可爱的技术搬运工 7955

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

Shell内置命令

Shell内置命令 Shell 命令分为外部命令和内置命令: 比较 内置命令 外部命名 定义 Bash Shell 自带的命令 Linux 系统中的应用程序 执行效率 高 低 执行过程 调用当前 Shell 进程的一个函数 触发磁盘 I/O,fork 出一个单独的进程,执行完成后退出 内建命令 定义 内建命令是由 Bash 自身提供的命令,而不是文件系统中的某个可执行文...

沙码龙 1309

Shell脚本——内置命令

一、内置命令 所谓 Shell 内置命令,就是由 Bash 自身提供的命令,而不是文件系统中的某个可执行文件。 例如,用于进入或者切换目录的 cd 命令,虽然我们一直在使用它,但如果不加以注意很难意识到它与普通命令的性质是不一样的:该命令并不是某个外部文件,只要在 Shell 中你就一定可以运行这个命令。 可以使用 type 来确定一个命令是否是内建命令: [root@localhost ~]# type cd cd is a Shell builtin [root@localhost ~]# type i

栗筝i的博客 4422

命令 shell_shell命令(一)

shell是干啥的?处于内核之上,保护linux内核作为一个命令解释器,shell负责完成用户和内核之间的交互shell脚本其实就是一系列shell命令的集合shell分类Bourne Shell(sh):Bourne Shell是Unix的第一个Shell程序,早已成为工业标准C Shell(csh):是Bourne Shell的改进,使shell脚本的编程风格更类似于C语言Korn ...

weixin_42421284的博客 120

Shell、Shell脚本、Shell命令

Shell、Shell脚本、Shell命令: 一:Shell是什么? 在计算机中,Shell俗称壳(用来区别于核), 是指:为使用者提供操作界面的软件(命令解析器)。 Shell是Linux和Unix下的命令解析器。 类似于DOS和Windows下的命令解析器:command.com、cmd.exe。 这个Shell(命令解析器)的作用: 用于接收用户命令,然后调用相应的应用程序。 (将用户输入的...

SeniorShen的博客 2297

【Linux】shell命令

shell是命令解析器用户在命令行提示符下输入命令文本,开始与shell进行交互。接着,shell将用户的命令或者按键转换成内核能够理解的指令控制操作系统作出响应,直到控制相关的硬件设备。然后,将输出结果通过shell提交给用户:Bourne Shell由AT&T贝尔实验室的S.R.Bourne开发,也因开发者的姓名而得名。它是Unix的第一个Shell程序,早已成为工业标准。目前几乎所有的Linux系统都支持它。不过Bourne Shell的作业控制功能薄弱,且不支持别名与历史记录等功能。

ciweic的博客 1930

Shell命令

Shell命令

风不归的乐园 1183

shell命令以及运行原理

当用户输入“ls”命令时,Shell会先在“/usr/local/bin”目录下查找“ls”可执行文件,如果没有找到,再依次在“/usr/bin”、“/bin”等目录下查找。对于选项,Shell也会检查其是否符合命令的要求,像“cp”命令的“-r”选项表示递归复制,如果用户输入了一个不存在的选项,如“-z”,Shell同样会报错。“sed”程序会按照给定的编辑脚本(这里是“s/old/new/g”,表示全局替换“old”为“new”)对输入的文本(可以是文件内容或者管道输入的文本)进行处理。

silver687的博客 802

Linux Shell 命令详解

linux shell命令详细介绍和使用举例

不会C++、害怕嵌入式且不爱看动漫的小趴菜 2万+

Linux shell命令

Linux shell命令

冰点契约的博客 939
上一篇: Failed to start mongodb.service: Unit mongodb.service not found.
下一篇: shell 函数实践
PyTtCcMm
博客等级 码龄8年 21粉丝 22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