linux常用命令汇总(CentOs7.5)

Centos7.5之Linux系统安装 千万千万不要注释成/centos-root这个,如果你只有一个root用户,而且还注释掉这个之后,不管做什么都不能保存了。(本人故意注释掉后,然后就没修该的保存权限了,而且只有一个root用户,而且没有快照,然后直接删除虚拟机重新配置)。检查ip、用户名、密码、外网ip地址段和ip地址段相同、ssh等都没有问题,但是Xshell就是连接不到虚拟机。发现没有查到ip地址,但是相关配置我们明明是已经配置好的,之前还是正常使用的。7)设置root用户密码(登录时需要的密码),然后点击完成,等待安装完成。 阅读详情

目录

一、组操作

1.新增组

2.设置组密码

3.查看组名

4.查看组密码

5.删除组

二、用户操作

1.新增用户

2.设置用户密码

3.查看用户名

4.查看用户密码

5.用户权限

6.删除用户

7.查看用户相关ID

三、文件操作

1.创建目录/文件

2.查看目录/文件

3.复制目录/文件

4.移动目录/文件

5.重命名文件

6.删除目录/文件

7.切换目录

8.编辑文件内容

9.改变目录/文件的拥有者

10.文件权限

11.压缩/解压文件

12.查看文件内容

13.查找/过滤

一、组操作

1.新增组
格式: groupadd 组名
例: groupadd develop

2.设置组密码
格式: gpasswd 组名
例: gpasswd develop

3.查看组名
cat /etc/group | grep develop

4.查看组密码
cat /etc/gshadow | grep develop

5.删除组
格式: groupdel 组名
例: groupdel develop

二、用户操作

1.新增用户
格式: useradd 选项 用户名
选项参数说明
-g 主组(group)
-G 附加组(Group)
-d 主目录(directory)
-s 指定用户登录后使用的shell,默认值是/bin/bash
-c 注释(comment)
-u 用户ID(user)
-p 密码(password)
例: useradd -g develop -d /home/app -c '普通用户' -u 1000 app

2.设置用户密码
格式: passwd 用户名
例: passwd app
echo "123456" | passwd --stdin app #一次性设置

3.查看用户名
cat /etc/passwd | grep app

4.查看用户密码
cat /etc/shadow | grep app

5.用户权限
格式: usermod 选项 用户名
选项参数说明
-a 把用户追加到某些组,仅与-G选项一起使用
-c 修改/etc/passwd文件第五段comment
-d 修改用户的家目录,通常和-m一起使用
-e 指定用户账号禁用的日期,格式YY-MM-dd
-f 用户密码过期多少天后禁用该账号
-g 修改用户的gid,gid必须要存在
-G 把用户追加到某些组,仅与-a选项一起使用
-l 修改用户的登录名称
-L 锁定用户的密码
-m 修改用户的家目录,通常和-d选项一起使用
-s 修改用户的shell
-u 修改用户的uid,该uid必须唯一
-U 解锁用户的密码
例: usermod -aG develop app

6.删除用户
格式: userdel 选项 用户名
选项参数说明
-r 删除用户的同时删除家目录
例: userdel -r app

7.查看用户相关ID
格式: id 用户名
例: id app

三、文件操作

1.创建目录/文件
mkdir -p /home/web
touch a.txt b.txt # 如果已存在文件,会更新时间戳
cat a.txt

2.查看目录/文件
ls -a #显示所有文件,包括隐藏文件(Linux中以.开头的文件是隐藏文件)
ls -l #显示详细信息,可以简写为ll
ls -R #递归显示子目录结构
ls -ld #显示目录和链接信息
pwd #显示当前目录


3.复制目录/文件
cp a.txt /home/web


4.移动目录/文件
mv b.txt /home/web


5.重命名文件
mv a.txt c.txt


6.删除目录/文件
rmdir /home/web
rm -rf a.txt


7.切换目录
cd #家目录
cd .. #上级目录
cd / #根目录
cd ~ #家目录
cd . #当前目录


8.编辑文件内容
vim a.txt
按i键进入可编辑状态
编辑完按esc键
输入:wq按enter键退出
:wq 保存退出
:q! 强制退出


9.改变目录/文件的拥有者
格式: chown -Rv 组名:用户名 目录/文件
-R 递归操作文件和目录
-v 打印变更的输出日志
例: chown -Rv develop:app /home/test


10.文件权限
格式: chmod 选项1 选项2 选项3 目录/文件
选项1参数: u用户 g同组用户 o其他用户 a所有用户
选项2参数: +添加权限 -移除权限 =赋予给定权限并取消其他所有权限
选项3参数
r 可读
w 可写
x 可执行,文件可执行或为目录才可相加
s 在文件执行时把进程的属主ID或属组ID置为该文件的文件属主ID/属组ID(u+s,g+s)
t 保存程序的文本到交换设备上
u 与文件属主拥有一样的权限
g 与文件属组拥有一样的权限
o 与其他用户拥有一样的权限
例: chmod ug+x,o-x a.txt


11.压缩/解压文件
格式: tar -zcvf 打包文件名.tar.gz 被压缩文件/路径
tar -zxvf 打包文件.tar.gz -C 目标路径
参数说明:
z 压缩/解压
c 生成档案文件,创建打包文件
x 解开档案文件
v 列出归档/解档的详细过程,显示进度
f 指定档案文件名称,f后面一定是.tar文件,所以必须放最后
例: tar -zcvf test.tar.gz /home/app
tar -zxvf test.tar.gz -C /home/test


12.查看文件内容
cat a.txt


13.查找/过滤
find / -uname "*.txt"
ll | grep a
Linux CentOS 7离线安装MySQL 5.7 文章目录0 前言1 下载2 安装2.1 创建用户2.2 解压缩2.3 创建配置文件2.4 初始化文件2.5 启动数据库2.6 配置环境变量2.7 登陆,修改密码3 使用mysql3.1 用户建立3.2 创建数据库参考文献: 0 前言 网上已经有那么多的关于CentOS 7如何安装MySQL的文章了,但是很多都是在线安装;由于很多时候,在生产环境进行部署时,生产机器都是不可能直接连公网的,导致网上... 阅读详情

相关推荐

Win10自动更新怎么永久关闭?有效的Win10强制更新关闭方法

之前小编为大家分享过一些Win10彻底关闭Windows Update自动更新的方法,主要是通过一些如设置流量计费或借助一些专门的小工具来实现,但往往会发现,Win10自动更新就像打不死的小强,不管怎么关闭,之后还是会自动更新,让不少小伙伴颇为不爽。今天小编带来了这篇改进型教程,通过全方位设置,彻底关闭Win10自动更新,感兴趣的小伙伴不妨试试吧。 ...

jianai0602的博客 108万+

Linux(centos7.5)基础命令(防火墙、vi、grep、awk、sed、字符串截取)

1、防火墙相关 1、查看防火墙状态:firewall-cmd --state 2、停止防火墙:systemctl stop firewalld.service 3、启动防火墙:systemctl start firewalld.service 4、开启指定端口(以80端口为例):firewall-cmd --zone=public --add-port=80/tcp --permanent(注意需...

qq_39198749的博客 2149

Tushare Day2——了解stock_basic数据并根据行业和地区进行统计

了解stock_basic数据 1  stock_basic基础信息2  导入包和stock_basic数据、查看基本信息3  根据行业列进行统计3.1  1.先把不同行业列举出来,看一下一共有多少种行业3.2  2.统计每个行业分别有多少家公司3.3  3.把行业从array的二维数组形式变成list形式3.4  4.把行业从list形式转换成文本形式3.5&nbsp

绒绒的Routine 2799

Linux学习--CentOS7.5

CentOS7命令大全Linux系统简介Unix/Linux发展史Linux目录结构(树形结构)查看、切换以及创建目录文本内容操作grep工具关机和重启Linux命令基本用法ls -- list使用通配符mkdir别名grep文本过滤工具使用vim创建/修改文件删除移动/改名复制重定向输出管道符号案例查看命令帮助信息历史命令统计文件占用空间系统时间连接归档和压缩tar工具的常用选项制作tar包:zip归档工具find精确查找find高级使用案例:查找并处理文件mount挂载操作RPM包Yum Linux系统

Q615749952的博客 1381

Unity UI适配实战:从Canvas Scaler到主流游戏适配方案解析

本文深入解析Unity UI适配的核心技术,重点介绍Canvas Scaler组件的关键参数如Reference Resolution和Screen Match Mode,并提供主流游戏适配方案实战分析。通过九宫格拉伸、动态调整等技巧,帮助开发者解决多设备适配难题,提升游戏UI在不同分辨率下的表现。

weixin_29001419的博客 975

英飞凌 AURIX Development Studio工程移植到Hightec的方法

1. 软件简介 AURIX™ Development Studio是英飞凌针对AURIX TC2XX/TC3XX系列单片机推出了一款免费的软件,集成了iLLD库,内置Tasking compiler和Tasking Debugger,但这两个模块只能用于非商业用途,可供学习和试用。iLLD库是英飞凌为TC2XX和TC3XX Tricore系列单片机提供的底层驱动库,有完善的使用手册,和较好的移植性。 Hightec是一款可以用来开发Aurix系列单片机的编译器,有免费版,可商用,集成GCC编译器,可用UDE

weixin_42967006的博客 7139

CentOS-7.5安装与简单配置

个人的笔记,快速安装centos7,配置静态ip,安装mysql

m0_56657062的博客 5090

EDK2多平台编译实战:从树莓派到RK3399的UEFI固件构建

本文提供了从树莓派到RK3399的EDK2多平台编译实战指南。详细介绍了UEFI固件构建的环境搭建、交叉编译配置、平台描述文件修改及常见问题排查,帮助开发者掌握为不同ARM架构硬件构建标准化启动固件的核心技能。

weixin_29193259的博客 839

CentOS7.5安装

CentOS 7.5安装 主机系统:win10 系统镜像:CentOS 7.5(1804) 虚拟机软件:VMware Workstation 16 Pro shell 软件:FinalShell 3.7.7 下载官方系统镜像 注意:优先使用BT下载,直接下载ios镜像会卡住在99%,下载好BT种子后,用迅雷打开进行下载 直接下载:https://vault.centos.org/7.5.1804/isos/x86_64/CentOS-7-x86_64-DVD-1804.iso 下载BT种子:htt

1万+

蓝牙开发实战:如何用Wireshark抓取HCI协议包(附完整分析步骤)

本文详细介绍了如何使用Wireshark抓取和分析蓝牙HCI协议包,包括环境搭建、过滤器配置技巧、数据包深度解析及高级调试方法。通过实战案例,帮助开发者快速定位蓝牙连接问题,提升调试效率。

cuda7parallel的博客 1150

使用 MATLAB/Simulink 构建一个分布式光伏-储能联合系统在配电网中的协同控制模型

本文介绍了使用MATLAB/Simulink构建分布式光伏-储能联合系统协同控制模型的方法。该系统包含光伏发电、储能、负荷和控制器等模块,通过协同控制实现能量优化管理。建模过程详细说明了从创建项目、搭建组件到实现控制策略的步骤,包括光伏特性模拟、储能参数设置和负荷需求建模。重点设计了协同控制器算法,实时调节电力分配,并展示了系统运行指标和经济效益分析。该方法为多能互补系统在配电网中的应用提供了技术验证,未来可进一步优化控制算法和场景适应性。

MHD0815的博客 311

CentOS7.0 版本之后的常用命令大全集锦

最近一直研究Hadoop,结果非得要在Linux环境玩,吾乃、吾乃! 我为此安装了CentOS7.3,结果发现7.x版本与之前的版本发送巨大的变化,吓得(宝ᴗ宝)还以为自己学的都忘没了,虽然说我那零星的Linux命令没记住多少,主要还是我老师教的时候,我... 闲话不叙,码上干货! 目录 常用命令 文件与目录操作 查看文件内容 文本内容处理 查询操作 压缩与解压 yum安...

qq_44690978的博客 3万+

16、天文时间序列分类:基于人工神经网络的研究

本研究探讨了基于人工神经网络的天文时间序列分类方法,重点比较了MLP、LSTM和CNN等模型在BRITE和开普勒K2数据集上的表现。研究发现LSTM不适用于此类数据,而结合特征提取与PSO超参数优化的多层感知器(MLP)在开普勒K2数据上实现了98.55%的二分类准确率。通过精细的数据预处理和高置信度样本选择,显著提升了分类性能。研究成果为恒星变异性识别提供了高效工具,并对天文学与机器学习交叉领域具有重要参考价值。

pz8901234的博客 113

【Linux】Centos7安装Mysql5.7(超详细版)

文章目录一、下载mysql5.7的安装包①、选择linux版的②、选择64bit,根据自己的情况来看③、选择下载tar包④、点击下载⑤、等待下载完二、上传到服务器三、检查服务器是否安装过mysql服务四、卸载Centos7自带的mariadb①、查找系统自带的mariadb②、卸载系统自带的mariadb③、查看my.cnf配置文件五、安装mysql5.7①、解压上传上来的安装包②、创建一个mysql组和用户③、更改mysql 目录下所有文件夹所属的用户组、用户以及文件权限④、把mysql/bin目录下的所

liu_chen_yang的博客 1万+

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")

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

CentOS 7 常用命令大全

CentOS 7 常用命令大全CentOS7 常用命令集合一、常用命令二、使用步骤1.引入库2.读入数据总结 CentOS7 常用命令集合 这两天一直在对CentOS 7.2进行初体验,各种学习命令肿么用,不过其实大多和DOS是一样的,只是命令的表达上可能有点儿不一样,毕竟这些都不是一家出来的嘛~ 废话不多说,直接上命令和解析! 一、常用命令 示例:pandas 是基于NumPy 的一种工具,该工具是为了解决数据分析任务而创建的。 二、使用步骤 1.引入库 代码如下(示例): import numpy

weixin_42198656的博客 2万+

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

centos7安装配置&MobaXterm的使用及Linux常用命令

centos7安装及配置,MobaXterm工具的使用,以及Linux常用命令,虚拟机快照管理器进行备份与还原

weixin_74268571的博客 2451

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

Linux Centos7.5常用命令

说明:Linux不同版本和不同版本号命令有些还是小有区别,大体是一样的,这里大多采用最新7.5的版本命令为记录,当然有的命令是之前版本一摸一样的 查看服务器版本命令 查看服务器版本信息 (这个命令适用于所有的Linux发行版,包括RedHat、SUSE、Debian…等发行版,列出所有版本信息) lsb_release -a 已知Linux查看内核版本 cat /proc/versi...

长草颜团子 15万+

【Linux】一步一步学Linux——Centos7.5安装图解(08)

00. 目录 文章目录00. 目录01. Centos7.5简介02. Centos7.5下载03. Centos7.5安装 01. Centos7.5简介 CentOS(Community Enterprise Operating System,中文意思是社区企业操作系统)是Linux发行版之一,它是来自于Red Hat Enterprise Linux依照开放源代码规定释出的源代码所编译而成。...

C/C++软件工程师、嵌入式软件工程师、物联网研发工程师、C/C++讲师、物联网讲师、嵌入式讲师、鸿蒙讲师---欢迎大家一起交流(私信添加博主微信) 5565

CentOS7 常用命令汇总

常用命令 文件与目录操作 命令 解析 cd /home 进入 ‘/home’ 目录 cd … 返回上一级目录 cd …/… 返回上两级目录 cd - 返回上次所在目录 cp file1 file2 将file1复制为file2 cp -a dir1 dir2 复制一个目录 cp -a /tmp/dir1 复制一个目录到当前工作目录(.代表当前目录) ls 查看目录中的文件 ls -a 显示隐藏文件 ls -l 显示详细信息 ls -lrt 按时间显示.

weixin_42208959的博客 1425

Linux常用命令【含CentOS 7 安装】

基础命令如:cd 切换命令 列出文件列表 ls ll 创建与删除mkdir rmdir 拷贝移动重命名 cp mv 打包压缩 tar 查看文件 cat more less tail vi find

TechExplorer365的博客 1494

Linux之centos7安装配置及Linux常用命令

CentOS是一种基于Linux的操作系统,是Red Hat Enterprise Linux (RHEL)代码的社区重编译版。它是一个开源的、免费的操作系统,具有稳定性高、安全性好和可定制性强等特点。CentOS的发行版本与RHEL几乎完全兼容,因此在企业、服务器、网络应用等领域被广泛使用。

weixin_74352229的博客 2792

CentOS 7 与 Rocky Linux 9.5 运维对比

centos系统与rocky系统对比

qq_39213171的博客 2808

CentOS 7 Linux 基础知识点汇总

本文档总结了CentOS 7 Linux系统的基础知识点,主要包括: 常见系统命令:文件操作(ls/cd/cp/mv等)、进程管理(ps/top/kill)、系统信息(uname/df/free)、网络管理(ip/ping/netstat)和权限管理(chmod/chown); 实用快捷键:终端操作(Ctrl+C终止命令、Tab补全)和桌面环境(Alt+Tab切换窗口); 核心目录结构:/bin基础命令、/etc配置文件、/home用户目录等。 适合Linux初学者快速掌握系统基本操作,文档采用表格形式清晰

t_suifeng的博客 3070

Linux CentOS 7 下 mysql5.7 安装以及简单密码修改

关于linux mysql 安装总是有很多坑,本人也踩过很多坑,网上很多安装教程,但是很多情况下描述不清,按照步骤甚至安装不成功,各种各样的问题,于是想自己写个mysql安装步骤,供自己做笔记,也可以给大家参考参考。本人写博客思路一般为:前置条件(一般是一些系统版本,环境)、操作步骤(具体的操作)、总结等 一、前置条件 系统版本:LinuxCentOS 7.2 ...

liangning6340的博客 2208

CentOS 7.* 常用命令

参考这篇文章:https://www.centoschina.cn/command/help/10941.html 查看系统连接状态:https://www.centoschina.cn/ops/manage/5530.html CentOS7 复制、删除、移动、压缩、解压等常用命令整理 参考:Python全栈 Linux基础之3.Linux常用命令 常用命令:——注意区分大小写 1.文件...

aganliang的专栏 2513

Linux:CentOS 7 安装MySQL5.7

Oracle VM VirtualBox,一个跨平台的虚拟化应用程序。它可以安装在您现有的基于 Intel 或 AMD 的计算机上,无论它们运行的是 Windows、Mac OS X、Linux 等操作系统。其次,它扩展了现有计算机的功能,使其可以同时在多个虚拟机中运行多个操作系统。例如,您可以在您的 Mac 上运行 Windows 和 Linux,在您的 Linux 服务器上运行 Windows,在您的 Windows PC 上运行 Linux 等等,所有这些都与您现有的应用程序一起运行。...

萧篱衣的博客 1109
上一篇: 阿里云linux服务CentOs8.5安装/卸载nginx1.15.9以及配置ssl证书
下一篇: Linux7设置ssh秘钥登录并关闭密码登录
cherishSpring
博客等级 码龄11年 134粉丝 172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