screen 命令简单用法 Linux后台执行 就用它

screen 命令简单用法

现在很多时候我们的开发环境都已经部署到云端了,直接通过SSH来登录到云端服务器进行开发测试以及运行各种命令,一旦网络中断,通过SSH运行的命令也会退出,这个发让人发疯的。

好在有screen命令,它可以解决这些问题。我使用screen命令已经有三年多的时间了,感觉还不错。

新建一个Screen Session

Python
$ screen -S screen_session_name
1
2
$ screen - S screen_session _name
 

将当前Screen Session放到后台

Python
$ CTRL + A + D
1
2
$ CTRL + A + D
 

唤起一个Screen Session

Python
$ screen -r screen_session_name
1
2
$ screen - r screen_session _name
 

分享一个Screen Session

Python
$ screen -x screen_session_name
1
2
$ screen - x screen_session _name
 

通常你想和别人分享你在终端里的操作时可以用此命令。

终止一个Screen Session

Python
$ exit $ CTRL + D
1
2
3
$ exit
$ CTRL + D
 

查看一个screen里的输出

当你进入一个screen时你只能看到一屏内容,如果想看之前的内容可以如下:

Python
$ Ctrl + a ESC
1
2
$ Ctrl + a ESC
 

如何滚动窗口呢?

首先,进入拷贝模式:

Python
Ctrl + a + [
1
2
Ctrl + a + [
 

以上意思是进入Copy mode,拷贝模式,然后你就可以像操作VIM一样查看screen session里的内容了。

可以 Page Up 也可以 Page Down。

进入 Attached 状态的id

当你挂起screen,下次想连上screen的时候,有时候会出现screen session的状态为Attached而怎么连也连不上的情况。下面给出解决方法。

列出状态为Attached的session id。

Python
screen -ls screen -D -r <session-id>
1
2
3
screen - ls
screen - D    - r < session - id >
 

解释:-D -r 先踢掉前一用户,再登陆

screen进阶

对我来说,以上就足够了,有特定需求时再说。

screenrc

.screenrc

如果没有就在~下新建该文件

然后添加一行配置

Python
escape ^Bt
1
2
escape ^ Bt
 

表示其他(例如ctrl+B)替换掉默认的ctrl+A,

因为ctrl+A往往是快速回到命令的头部的快捷键,非常常用和方便

End

screen命令很好用,但是最让人头痛的是CTRL+A命令和BASH里的快捷键重复了,我不觉得替换一下快捷键是个很好的解决方案,所以这个问题一直存在我这里。

这里有更详细的说明:http://www.ibm.com/developerworks/cn/linux/l-cn-screen/




  • zeropython 微信公众号 5868037 QQ号 5868037@qq.com QQ邮箱
【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练与分类,实现对不同类型扰动的自动识别与准确区分。该方法充分发挥DWT在信号去噪与特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度与鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测与分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性与效率,为后续的电能治理与设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程与特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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