Linux文件显示命令:cat、more、less、tail、touch详解

深入理解文件查看命令:cat、more、less、tail、head 探索ls命令中的通配深入理解文件查看命令:`cat`, `more`, `less`, `tail`, `head`符匹配 阅读详情

cat命令
cat命令连接文件并打印到标准输出设备上。cat经常用来显示文件的内容,类似于下的TYPE命令。

一般格式:cat [选项] 文件
说明:该命令有两项功能,其一是用来显示文件的内容,它依次读取由参数file所指明的文件,将它们的内容输出到标准输出上;其二是连接两个或多个文件,如 cat fl f2 > f3将把文件fl和几的内容合并起来,然后通过输出重定向符“>”的作用,将它们放入文件f3中。
常用选项:
-b,--number-noblank 从1开始对所有非空输出行进行编号。
-n,--number 从1开始对所有输出行编号。
-s,--squeeze-blank 将多个相邻的空行合并成一个空行。
-help 打印该命令用法,并退出,其返回码表示成功。
注意:当文件较大时,文本在屏幕上迅速闪过(滚屏),用户往往看不清所显示的内容。因此,一般用more等命令分屏显示。为了控制滚屏,可以按Ctrl+S键,停止滚屏;按Ctrl+Q键可以恢复滚屏。按Ctrl+C(中断)键可以终止该命令的执行,并且返回shell提示符状态。
示例:(设ml和m2是当前目录下的两个文件)
# cat m1 (在屏幕上显示文件ml的内容)
# cat m1 m2 (同时显示文件ml和m2的内容)
# cat m1 m2 > file (将文件ml和m2合并后放入文件file中)

more命令
more命令显示文件内容,每次显示一屏。

一般格式:more [选项] 文件
说明:该命令一次显示一屏文本,满屏后停下来,并且在屏幕的底部出现一个提示信息,给出至今己显示的该文件的百分比:--More--(XX%)可以用下列不同的方法对提示做出回答:
①按Space键,显示文本的下一屏内容。
②按Enier键,只显示文本的下一行内容。
③按斜线符(l),接着输入一个模式,可以在文本中寻找下一个相匹配的模式。
④按H键,显示帮助屏,该屏上有相关的帮助信息。
⑤按B键,显示上一屏内容。
⑥按Q键,退出rnore命令。
常用选项:
-num,这个选项指定一个整数,表示一屏显示多少行。
-d,在每屏的底部显示以下更友好的提示信息:
--More--(XX%) [Press space to continue, ’q’ to quit.]
而且当用户按键时有错误,则显示[Press ’h’, for instructions.]信息,而不是简单的报警。
-c或-p,不滚屏,在显示下一屏之前先清屏。
-s,将文件中连续的空白行压缩成一个空白行显示。
+/,该选项后的模式(Pattem)指定显示每个文件之前进行搜索的字符串。
+num,从行号num开始。
more命令在执行过程中还用到一些基于vi编辑器的交互式命令,这里不做详述。
示例:
①显示文件file的内容,但在显示之前先清屏,并且在屏幕的最下方显示完核的百分比。
# more -dc file
②显示文件file的内容,每10行显示一次,而且在显示之前先清屏。
# more -c -10 file

less命令
与more命令一样,less命令也用来分屏显示文件的内容。但是二者存在差别:less命令允许用户向前或向后浏览文件,而more命令只能向前浏览。用less命令显示文件时,用PageUp键向上翻页,用PageDown键向下翻页。要退出less程序,应按Q键。less有几种格式和很多选项,这里不做详述。

head命令
命令在屏幕上显示指定文件的开头若干行。

一般格式:head [选项] file
说明:head命令在屏幕上显示指定文件的开头若干行,行数由参数值来确定。显示行数的默认值是10。
选项:
-c,-bytes=SIZE 显示前面SIZE个字节。
-n,-lines=NUMBER NUMBER的值指定显示前面多少行。默认为10行。
-q,-quiet,--silent 不显示给定文件的标题。
-v,-verbose 始终显示给定文件的标题。
示例:
# head -5 file(显示文件file的前5行)
# head -v file(显示文件file的内容,并且给出文件名标题)
# head -q file(显示文件file的内容,但不列出文件名标题)

tail命令
tail命令在屏幕上显示指定文件的末尾若千行。

一般格式:tail [选项] [file]…
说明:tail命令在屏幕上显示指定文件的末尾10行。如果给定的文件不止一个,则在显示的每个文件前面加一个文件名标题。如果没有指定文件或者文件名为“-”,则读取标准输入。
选项:
-c,--bytes=N 输出最后N个字节。
-f 当文件增长时输出附加的数据。
-n,-lines=N 输出最后的N行,而不是默认的10行。
-q,-quiet,--silent 不输出包含给定文件名的标题。
-v,-verbose 始终输出包含给定文件名的标题。
注意:如果表示字节或行数的N值之前有一个”+”号,则从文件开头的第N项开始显示,而不是显示文件的最后N项。N值后面可以有后缀:b表示512,k表示1024,m表示1 048576(1M)。
示例:
# tail file (显示文件file的最后10行)
# tail +20 file (显示文件file的内容,从第20行至文件末尾)
# tail -c 10 file (显示文件file的最后10个字符)

touch命令
可以修改指定文件的时间标签或者创建一个空文件。

一般格式:touch [选项] 文件名…
说明:touch命令将会修改指定文件的时间标签,把已存在文件的时间标签更新为系统当前的时间(默认方式),它们的数据将原封不动地保留下来。如果该文件尚未存在,则建立一个空的新文件。
选项:
-a 仅改变指定文件的存取时间。
-c 不创建任何文件。
-m 仅改变指定文件的修改时间。
-t STAMP 使用STAMP指定的时间标签,而不是系统当前的时间。STAMP的格式为[[CC]YY]MMDDhhmm[.ss],其中,CC表示年份的前两位,YY表示年份的后两位,MM表示月份,DD表示日期,hh表示小时,mm表示分钟,ss表示秒。
示例:
# touch ex2 在当前目录下建立一个空文件ex2。
然后,利用ls -l命令可以发现文件ex2的大小为0,表示它是空文件。

【SAP-MDG】工作流任务配置实战:从基础配置到代理分配详解 本文详细解析了SAP MDG工作流任务配置的全流程,从基础配置到代理分配的关键操作。通过实战案例和最佳实践,帮助用户掌握Configure Workflow Tasks的核心技巧,包括环境检查、代理分配、SWDD事务码使用及常见问题排查,提升主数据管理效率。 阅读详情

相关推荐

FEniCS学习笔记01:centos7下通过conda安装FEniCSx0.7

2023年版本的Fenicsx0.7,官网推荐使用conda命令安装集成好的Python包,因此我们的安装思路是先安装Anaconda,再按照官网步骤安装Fenics。

huahua_xiao的博客 5056

Linux命令 -----查看文件内容命令cat、more、less、head、tail

命令解释 Cat:显示文件,可以连接多个文件形成新文件 More:分屏显示文件内容,只可向下翻屏 Less:分屏显示文件内容,只可向上翻屏 Head:查看文件头部内容,默认前十行 Tail:查看文件尾部内容,默认后十行 命令操作 cat 命令格式:cat [选项] 文件名列表 说明:文件名可使用通配符 常用选项: -n——对输出内容中的所有行标注行号 -b——对输出内容中的非空行标注行号 1.查看文件内容(不能查看目录文件) cat t1 2.显示行号查看文件内容 cat -n t1 3.对输出内容

PEABRAIND的博客 5728

Protege本体建模实战:从零构建电影知识图谱并导入Neo4j

本体建模是知识图谱构建的基石,通过类、属性、实例和约束系统描述领域知识,为数据提供可复用的语义骨架。OWL作为本体描述语言的标准,配合Protege工具可实现可视化建模,并借助推理机验证逻辑一致性,提升模型可靠性。在工程落地中,本体模型常需导入图数据库如Neo4j,以支持高效的关联查询与业务应用。本文以影视领域为背景,完整演示Protege中定义类层级、创建对象/数据属性、填充实例,以及导出OWL文件并通过Python脚本转换为Neo4j节点与关系的全过程,同时梳理命名空间、匿名节点、编码等易踩坑点,帮助读

weixin_29047545的博客 281

文件显示命令:cat、more、less、tail、touch详解

原文地址:http://www.linuxde.net/2011/08/551.html cat命令 cat命令连接文件并打印到标准输出设备上。cat经常用来显示文件的内容,类似于下的TYPE命令。 一般格式:cat [选项] 文件 说明:该命令有两项功能

xiaov58的专栏 850

SQL实现数据仓库ETL:分层设计、增量抽取与性能优化实践

在数据仓库建设过程中,ETL(抽取、转换、加载)是数据流转的核心环节。传统观点常将ETL与专业工具或大数据框架绑定,但在中小规模数据场景下,基于SQL的ETL方案凭借低门槛、高可维护性和直观的排错体验,成为高效且务实的选择。本文从ETL的基础概念出发,阐述数据仓库分层(ODS、DWD、DWS、ADS)中每层ETL的定位与职责,重点剖析增量抽取策略(时间戳、主键、日志)下的SQL实现方式,以及数据清洗、去重和格式化的常见写法。同时,结合真实项目经验,分享慢SQL优化技巧、任务调度依赖设计、幂等性保障和常见问题

weixin_33290540的博客 345

STM32F1的USB接口-自定义HID

设置USB VID:1155 PID :22352。

chilian12321的博客 838

linux命令(cat、more、less、head、tail命令)

n:显示行数并且空行也计入行数内,但不压缩空行;-b:显示行数,但空行不计入行数,也不压缩空行;-s:不显示行数,但压缩空行;-sn:压缩空行,显示行数并且空行计入行数内;-sb:压缩空行,显示行数,但空行并不计入行数内;

m0_61187759的博客 1821

保姆级教程:用PyTorch从零实现SDE扩散模型(附完整代码与MNIST实战)

本文提供了一份详细的PyTorch教程,指导读者从零开始实现SDE扩散模型,并附有完整的代码示例和MNIST数据集实战。通过解释随机微分方程(SDE)的核心概念、模型架构设计、训练流程实现以及采样生成过程,帮助开发者掌握扩散模型的构建与应用。

weixin_28677005的博客 265

文本查看命令cat,head,tail,more,less

本文介绍了Linux常用的文件查看命令:cat,more,less,head,tail

zheng_long_的博客 2926

FPGA开发者必看:手把手教你用Xilinx ERNIC IP实现RoCE v2网络加速(附PG332文档解读)

本文详细解析了Xilinx ERNIC IP在FPGA平台上实现RoCE v2网络加速的全流程,包括架构设计、Vivado工程配置、驱动开发与性能调优。通过PG332技术文档的实践指导,帮助开发者快速构建低延迟、高性能的网络加速方案,适用于数据中心和边缘计算场景。

weixin_29168813的博客 668

B站李沐讲论文笔记AlexNet

B站李沐讲论文笔记AlexNet

夏知识不进脑子薇的博客 789

linux cat vi more less,文件显示命令:cat、more、less、tail、touch详解

一般格式:cat [选项] 文件说明:该 命令有两项功能,其一是用来显示文件的内容,它依次读取由参数file所指明的文件,将它们的内容输出到标准输出上;其二是连接两个或多个文件,如 cat fl f2 > f3将把文件fl和几的内容合并起来,然后通过输出重定向符“>”的作用,将它们放入文件f3中。常用选项:-b,--number-noblank 从1开始对所有非空输出行进行编号。-n,...

weixin_33435783的博客 472

FFmpeg + Qt 实现摄像头采集与 MP3 背景音乐 RTSP 推流

在直播或视频监控场景中,我们经常需要将摄像头画面与背景音乐混合后推送到 RTSP 服务器。本文将详细介绍如何使用Qt框架结合摄像头实时采集(Windows 下使用dshow,Linux 使用v4l2视频预览(显示为 QImage)视频 H.264 编码 + RTSP 推流从 MP3 文件读取音频,重采样为 AAC 编码并推流循环播放音频文件解决中文文件路径打开失败的问题文章将剖析每个技术环节的关键代码,并给出完整的类实现。

weixin_45397344的博客 504

vim以及常用命令

head查看文件前10行 tail查看文件末尾10行 ctrl+c结束当前终端运行的命令,程序 ctrl+d结束cat的输入。Cat a.txt b.txt > newfile(将a.txt和b.txt里面的文件合并到newfile里面)cp -r(如果是文件夹则需要加上-r)路径+源文件名称 目标路径+新文件夹。rm -r(如果删除的是文件夹则需要加上)文件夹或文件名。mv a.c tmp(目录)把a.c移动到tmp。mv a.c b.c 把a.c的名字改成b.c。

jyd061114的博客 28

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

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

shell: 文件显示命令cat、more、less、tail、touch、od详解

原文:http://www.85itotaku.com/?p=600 cat命令 cat命令连接文件并打印到标准输出设备上。cat经常用来显示文件的内容,类似于下的TYPE命令。 一般格式:cat [选项] 文件 说明:该命令有两项功能,其一是用来显示文件的内容,它依次读取由参数file所 指明的文件,将它们的内容输出到标准输出上;其二是连接两个或多个文件,如 ca

hzraymond的专栏 8906

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")

cat,tac,nl,more,less,head,tail,od,touch-读书笔记(五)

这个应该不算难,想一想,在第 11 到第 20 行,那么我取前 20 行,再取后十行,所以结果就是:“ head -n20 /etc/man_db.conf | tail -n 10 ”,这样就可以得到第 11 到第 20 行之间的内容了!这两个指令中间有个管线(|)的符号存在,这个管线的意思是:“前面的指令所输出的讯息,请通过管线交由后续的指令继续使用”的意思。我们在ls 这个指令的介绍时,有稍微提到每个文件在linux下面都会记录许多的时间参数,其实是有三个主要的变动时间,那么三个时间的意义是什么呢?

勤劳的码农的博客 7935

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

Linux常用命令之文件目录处理命令详解(ls、mkdir、cd、pwd、rmdir、cp、mv、rm、touch、cat、more、less、head、tail、ln)

1. Linux命令的基本格式 (1)命令提示符 登录Linux系统后,我们可以看到如下内容: [root@localhost ~]# 这就是 Linux 系统的命令提示符。其中: []:这是提示符的分隔符号,没有特殊含义。 root:显示的是当前的登录用户,使用 root 用户登录。 @:分隔符号,没有特殊含义。 localhost:当前系统的简写主机名(完整主机名是 localh...

橘子女侠 4502

linux常用命令(touch、cat、less、head、tail)

linux命令touch、cat、less、head、tail基本用法、常用选项与示例和注意事项

ElePower9527的博客 1452

Linux常用命令——文件目录处理命令详解(ls、mkdir、cd、pwd、rmdir、cp、mv、rm、touch、cat、more、less、head、tail、ln)

一、Linux命令的基本格式 1、命令提示符 登录Linux后,我们可以看到如下内容:[root@localhost ~ ]# 这就是Linux系统的命令提示符。其中: []:这是提示符的分割符号,没有特殊含义; root:显示的是当前的登录用户,使用root用户登录; @:分割符号,没有特殊含义; localhost:当前系统的简写主机名(完整主机名是:localhost.localdomai...

weixin_45116657的博客 2576

Linux小课堂: 文件操作核心命令深度解析(cat、less、head、tail、touch 与 mkdir 命令)

Linux文件操作核心命令摘要 本文系统介绍了Linux系统中文件查看与创建的核心工具: 文件查看命令 cat:快速查看小文件,支持多文件合并显示和行号标记(-n) less:分页浏览大文件,支持搜索(/)、跳转(n/N)等高级功能 head/tail:查看文件头尾内容,tail -f可实时监控日志更新 文件创建命令 touch:创建空文件或更新时间戳,支持批量创建 mkdir:创建目录,-p参数可递归创建多级目录结构 最佳实践 大文件优先使用less浏览 日志监控使用tail -f 创建目录时推荐使用mk

Wang的专栏 1517

Liunx文件操作命令(touch、cat、vim、more、less、cp、mv、rm、head、tail、file、find)

类似cat,不过会以一页一页的形式显示,更方便使用者逐页阅读,而最基本的指令就是按空白键(space)就往下一页显示,按b键就会往回(back)一页显示,而且还有搜寻字串的功能(与vi相似)。-mount,-xdev只检查和指定目录在同一个文件系统下的文件,避免列出其它文件系统中的文件。find.-name“*.py”查询当前目录及其子目录下所有文件后缀为.py的文件。与more类似,less可以随意浏览文件,支持翻页和搜索,支持向上翻页和向下翻页。...

CJW的博客 1699

【Linux】文件目录操作指令(pwd、ls、cd、mkdir、rmdir、touch、cp、rm、mv、cat、echo、tail等)

运行级别说明:0 :关机1 :单用户【找回丢失密码】2:多用户状态没有网络服务(基本不用)3:多用户状态有网络服务(用的最多)4:系统未使用保留给用户5:图形界面6:系统重启常用运行级别是3和5 ,也可以指定默认运行级别,后面演示。

mhyasadj的博客 4581

linux文件查看命令file/stat/cat/touch/tail/head/less/more

linux文件查看命令file/stat/cat/touch/tail/head/less/more stat 命令 使用方式:stat FILE 显示文件或者文件系统的元数据。 文件一般有两类数据:元数据(matadata)和数据(data),元数据是用来描述文件本身的状态,数据是指文件具体的内容。 最近访问(Access time 又叫 atime)是指最后一次读取的时间,有时对于间隔很短的频繁读取,时间不发生改变。 最近更改(Modify time又叫 mtime)是指内容数据发生改变...

daihaoxin的专栏 1305
下一篇: 华为海思芯片型号及特征大全
Run_Feng
博客等级 码龄11年 144粉丝 10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