Linux文本处理工具集锦

本文将介绍Linux下使用Shell处理文本时最常用的工具：
find、grep、xargs、sort、uniq、tr、cut、paste、wc、sed、awk；
提供的例子和参数都是最常用和最为实用的；
我对shell脚本使用的原则是命令单行书写，尽量不要超过2行；
如果有更为复杂的任务需求，还是考虑python吧；

find 文件查找

• 查找txt和pdf文件

  find. ( -name "*.txt"-o -name "*.pdf") -print

• 正则方式查找.txt和pdf

  find. -regex  ".*(.txt|.pdf)$"

  -iregex： 忽略大小写的正则

• 否定参数
  查找所有非txt文本

  find. ! -name "*.txt"-print

• 指定搜索深度
  打印出当前目录的文件（深度为1）

  find. -maxdepth 1 -typef

定制搜索

• 按类型搜索：

  find. -typed -print  //只列出所有目录

  -type f 文件 / l 符号链接

• 按时间搜索：
  -atime 访问时间 (单位是天，分钟单位则是-amin，以下类似）
  -mtime 修改时间 （内容被修改）
  -ctime 变化时间 （元数据或权限变化）
  最近7天被访问过的所有文件：

  find. -atime 7 -typef -print

• 按大小搜索：
  w字 k M G
  寻找大于2k的文件

  find. -typef -size +2k

  按权限查找：

  find. -typef -perm 644 -print //找具有可执行权限的所有文件

  按用户查找：

  find. -typef -user weber -print//找用户weber所拥有的文件

找到后的后续动作

• 删除：
  删除当前目录下所有的swp文件：

  find. -typef -name "*.swp"-delete

  
  执行动作（强大的exec）

• find. -typef -user root -execchown weber {} ; //将当前目录下的所有权变更为weber

  注：{}是一个特殊的字符串，对于每一个匹配的文件，{}会被替换成相应的文件名；
  eg：将找到的文件全都copy到另一个目录：

  find. -typef -mtime +10 -name "*.txt"-execcp {} OLD ;

• 结合多个命令
  tips: 如果需要后续执行多个命令，可以将多个命令写成一个脚本。然后 -exec 调用时执行脚本即可；

  -exec./commands.sh {} \;

-print的定界符

默认使用’n'作为文件的定界符；
-print0 使用”作为文件的定界符，这样就可以搜索包含空格的文件；

grep 文本搜索

grep match_patten file // 默认访问匹配行

• 常用参数
  -o 只输出匹配的文本行 VS -v 只输出没有匹配的文本行
  -c 统计文件中包含文本的次数

  grep-c "text"filename

  -n 打印匹配的行号
  -i 搜索时忽略大小写
  -l 只打印文件名

• 在多级目录中对文本递归搜索(程序员搜代码的最爱）：

  grep"class" . -R -n

• 匹配多个模式

  grep-e "class"-e "vitural"file

• grep输出以作为结尾符的文件名：（-z）

  grep"test" file* -lZ| xargs-0 rm

xargs 命令行参数转换

xargs 能够将输入数据转化为特定命令的命令行参数；这样，可以配合很多命令来组合使用。比如grep，比如find；

• 将多行输出转化为单行输出
  cat file.txt| xargs
  n 是多行文本间的定界符
• 将单行转化为多行输出
  cat single.txt | xargs -n 3
  -n：指定每行显示的字段数

xargs参数说明

-d 定义定界符 （默认为空格 多行的定界符为 n）
-n 指定输出为多行
-I {} 指定替换字符串，这个字符串在xargs扩展时会被替换掉,用于待执行的命令需要多个参数时
eg：

catfile.txt | xargs-I {} ./command.sh -p {} -1

-0：指定为输入定界符
eg：统计程序行数

findsource_dir/ -typef -name "*.cpp"-print0 |xargs-0 wc-l

sort 排序

字段说明：
-n 按数字进行排序 VS -d 按字典序进行排序
-r 逆序排序
-k N 指定按第N列排序
eg：

sort-nrk 1 data.txt
sort-bd data //忽略像空格之类的前导空白字符

uniq 消除重复行

• 消除重复行

  sortunsort.txt | uniq

• 统计各行在文件中出现的次数

  sortunsort.txt | uniq-c

• 找出重复行

  sortunsort.txt | uniq-d

  可指定每行中需要比较的重复内容：-s 开始位置 -w 比较字符数

用tr进行转换

• 通用用法

  echo12345 | tr'0-9' '9876543210' //加解密转换，替换对应字符
  cattext| tr't' ' '  //制表符转空格

• tr删除字符

  catfile | tr-d '0-9'// 删除所有数字

  -c 求补集

  catfile | tr-c '0-9'//获取文件中所有数字
  catfile | tr-d -c '0-9 n'  //删除非数字数据

• tr压缩字符
  tr -s 压缩文本中出现的重复字符；最常用于压缩多余的空格

  catfile | tr-s ' '

• 字符类
  tr中可用各种字符类：
  alnum：字母和数字
  alpha：字母
  digit：数字
  space：空白字符
  lower：小写
  upper：大写
  cntrl：控制（非可打印）字符
  print：可打印字符
  使用方法：tr [:class:] [:class:]

  eg:tr'[:lower:]' '[:upper:]'

cut 按列切分文本

• 截取文件的第2列和第4列：

  cut-f2,4 filename

• 去文件除第3列的所有列：

  cut-f3 --complement filename

• -d 指定定界符：

  cat-f2 -d";"filename

• cut 取的范围
  N- 第N个字段到结尾
  -M 第1个字段为M
  N-M N到M个字段
• cut 取的单位
  -b 以字节为单位
  -c 以字符为单位
  -f 以字段为单位（使用定界符）
• eg:

  cut-c1-5 file//打印第一到5个字符
  cut-c-2 file //打印前2个字符

paste 按列拼接文本

将两个文本按列拼接到一起;

catfile1
1
2
 
catfile2
colin
book
 
pastefile1 file2
1 colin
2 book

默认的定界符是制表符，可以用-d指明定界符
paste file1 file2 -d “,”
1,colin
2,book

wc 统计行和字符的工具

wc -l file // 统计行数
wc -w file // 统计单词数
wc -c file // 统计字符数

sed 文本替换利器

• 首处替换

  seg's/text/replace_text/'file   //替换每一行的第一处匹配的text

• 全局替换

  seg's/text/replace_text/g'file

  默认替换后，输出替换后的内容，如果需要直接替换原文件,使用-i：

  seg -i 's/text/repalce_text/g'file

• 移除空白行：

  sed'/^$/d' file

• 变量转换
  已匹配的字符串通过标记&来引用.

  echothis is en example | seg 's/\w+/[&]/g'
  $>[this]  [is] [en] [example]

• 子串匹配标记
  第一个匹配的括号内容使用标记 1 来引用

  sed's/hello([0-9])/1/'

• 双引号求值
  sed通常用单引号来引用；也可使用双引号，使用双引号后，双引号会对表达式求值：

  sed's/$var/HLLOE/'

  当使用双引号时，我们可以在sed样式和替换字符串中指定变量；

  eg:
  p=patten
  r=replaced
  echo"line con a patten" | sed"s/$p/$r/g"
  $>line con a replaced

• 其它示例
  字符串插入字符：将文本中每行内容（PEKSHA） 转换为 PEK/SHA

  sed's/^.{3}/

awk 数据流处理工具

• awk脚本结构
  awk ‘ BEGIN{ statements } statements2 END{ statements } ‘
• 工作方式
  1.执行begin中语句块；
  2.从文件或stdin中读入一行，然后执行statements2，重复这个过程，直到文件全部被读取完毕；
  3.执行end语句块；

print 打印当前行

• 使用不带参数的print时，会打印当前行;

  echo-e "line1nline2"| awk'BEGIN{print "start"} {print } END{ print "End" }'

• print 以逗号分割时，参数以空格定界;

  echo| awk' {var1 = "v1"; var2 = "V2"; var3="v3";
  print var1, var2 , var3; }'
  $>v1 V2 v3

• 使用-拼接符的方式（”"作为拼接符）;

  echo| awk' {var1 = "v1"; var2 = "V2"; var3="v3";
  print var1"-"var2"-"var3; }'
  $>v1-V2-v3

特殊变量： NR NF $0 $1 $2

NR:表示记录数量，在执行过程中对应当前行号；
NF:表示字段数量，在执行过程总对应当前行的字段数；
$0:这个变量包含执行过程中当前行的文本内容；
$1:第一个字段的文本内容；
$2:第二个字段的文本内容；

echo-e "line1 f2 f3n line2 n line 3" | awk'{print NR":"$0"-"$1"-"$2}'

• 打印每一行的第二和第三个字段：

  awk'{print $2, $3}' file

• 统计文件的行数：

  awk' END {print NR}' file

• 累加每一行的第一个字段：

  echo-e "1n 2n 3n 4n" | awk'BEGIN{num = 0 ;
  print"begin";} {sum+= $1;} END {print "=="; print sum}'

传递外部变量

var=1000
echo| awk'{print vara}' vara=$var 
#  输入来自stdin
awk'{print vara}' vara=$var file
# 输入来自文件

用样式对awk处理的行进行过滤

awk ‘NR awk ‘NR==1,NR==4 {print}’ file #行号等于1和4的打印出来
awk ‘/linux/’ #包含linux文本的行（可以用正则表达式来指定，超级强大）
awk ‘!/linux/’ #不包含linux文本的行

设置定界符

使用-F来设置定界符（默认为空格）
awk -F: ‘{print $NF}’ /etc/passwd

读取命令输出

使用getline，将外部shell命令的输出读入到变量cmdout中；

echo| awk'{"grep root /etc/passwd" | getline cmdout; print cmdout }'

在awk中使用循环

for(i=0;ifor(i in array){print array[i];}

eg:
以逆序的形式打印行：(tac命令的实现）

seq9| 
awk'{lifo[NR] = $0; lno=NR} 
END{for(;lno>-1;lno--){print lifo[lno];}
} '

awk实现head、tail命令

• head:

  awk'NR<=10{print}' filename

• tail:

  awk'{buffer[NR%10] = $0;} END{for(i=0;i<11;i++){ \
  print buffer[i %10]} } ' filename

打印指定列

• awk方式实现：

  ls-lrt | awk'{print $6}'

• cut方式实现

  ls-lrt | cut-f6

打印指定文本区域

• 确定行号

  seq100| awk'NR==4,NR==6{print}'

• 确定文本
  打印处于start_pattern 和end_pattern之间的文本；

  awk'/start_pattern/, /end_pattern/' filename

  eg:

  seq100 | awk'/13/,/15/'
  cat/etc/passwd|awk'/mai.*mail/,/news.*news/'

awk常用内建函数

index(string,search_string):返回search_string在string中出现的位置
sub(regex,replacement_str,string):将正则匹配到的第一处内容替换为replacement_str;
match(regex,string):检查正则表达式是否能够匹配字符串；
length(string)：返回字符串长度

echo| awk'{"grep root /etc/passwd" | getline cmdout; print length(cmdout) }'

printf 类似c语言中的printf，对输出进行格式化
eg：

seq10 | awk'{printf "->%4sn", $1}'

迭代文件中的行、单词和字符

1. 迭代文件中的每一行

• while 循环法

  whileread line;
  do
  echo$line;
  done< file.txt
  改成子shell:
  catfile.txt | (whileread line;doecho $line;done)

• awk法：
  cat file.txt| awk ‘{print}’

2.迭代一行中的每一个单词

forword in$line;
do
echo$word;
done

3. 迭代每一个字符

${string:start_pos:num_of_chars}：从字符串中提取一个字符；(bash文本切片）
${#word}:返回变量word的长度

for((i=0;i<${
#word};i++))
do
echo${word:i:1);
done