rsync 同步文件包括目录

stevenprime stevenprime 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 2.1w累计阅读 2.1w+平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄15年
关注
转载 最新推荐文章于 2026-03-31 09:33:14 发布 2.1w 阅读 AI 写同款· GEO 优化 ›
Linux 文件同步rsync 与传统的cp、tar备份方式相比，rsync具有安全性高、备份迅速、支持增量备份等优点，通过rsync可以解决对实时性要求不高的数据备份需求，例如定期的备份文件服务器数据到远端服务器，对本地磁盘定期做数据镜像等。 安装rsync 我们使用wget进行下载，安装包下载完毕后，我们开始解压并安装 wget https://download.samba.org/pub/rsync/src/rsy... 阅读详情

rsync -Rr 文件夹名 ip::目标模块

选项说明
 
-v, --verbose 详细模式输出
-q, --quiet 精简输出模式
-c, --checksum 打开校验开关，强制对文件传输进行校验
-a, --archive 归档模式，表示以递归方式传输文件，并保持所有文件属性，等于-rlptgoD
-r, --recursive 对子目录以递归模式处理
-R, --relative 使用相对路径信息
 
rsync foo/bar/foo.c remote:/tmp/
 
则在/tmp目录下创建foo.c文件，而如果使用-R参数：
 
rsync -R foo/bar/foo.c remote:/tmp/
 
则会创建文件/tmp/foo/bar/foo.c，也就是会保持完全路径信息。
 
-b, --backup 创建备份，也就是对于目的已经存在有同样的文件名时，将老的文件重新命名为~filename。可以使用--suffix选项来指定不同的备份文件前缀。
--backup-dir 将备份文件(如~filename)存放在在目录下。
-suffix=SUFFIX 定义备份文件前缀
-u, --update 仅仅进行更新，也就是跳过所有已经存在于DST，并且文件时间晚于要备份的文件。(不覆盖更新的文件)
-l, --links 保留软链结
-L, --copy-links 想对待常规文件一样处理软链结
--copy-unsafe-links 仅仅拷贝指向SRC路径目录树以外的链结
--safe-links 忽略指向SRC路径目录树以外的链结
-H, --hard-links 保留硬链结
-p, --perms 保持文件权限
-o, --owner 保持文件属主信息
-g, --group 保持文件属组信息
-D, --devices 保持设备文件信息
-t, --times 保持文件时间信息
-S, --sparse 对稀疏文件进行特殊处理以节省DST的空间
-n, --dry-run现实哪些文件将被传输
-W, --whole-file 拷贝文件，不进行增量检测
-x, --one-file-system 不要跨越文件系统边界
-B, --block-size=SIZE 检验算法使用的块尺寸，默认是700字节
-e, --rsh=COMMAND 指定替代rsh的shell程序
--rsync-path=PATH 指定远程服务器上的rsync命令所在路径信息
-C, --cvs-exclude 使用和CVS一样的方法自动忽略文件，用来排除那些不希望传输的文件
--existing 仅仅更新那些已经存在于DST的文件，而不备份那些新创建的文件
--delete 删除那些DST中SRC没有的文件
--delete-excluded 同样删除接收端那些被该选项指定排除的文件
--delete-after 传输结束以后再删除
--ignore-errors 及时出现IO错误也进行删除
--max-delete=NUM 最多删除NUM个文件
--partial 保留那些因故没有完全传输的文件，以是加快随后的再次传输
--force 强制删除目录，即使不为空
--numeric-ids 不将数字的用户和组ID匹配为用户名和组名
--timeout=TIME IP超时时间，单位为秒
-I, --ignore-times 不跳过那些有同样的时间和长度的文件
--size-only 当决定是否要备份文件时，仅仅察看文件大小而不考虑文件时间
--modify-window=NUM 决定文件是否时间相同时使用的时间戳窗口，默认为0
-T --temp-dir=DIR 在DIR中创建临时文件
--compare-dest=DIR 同样比较DIR中的文件来决定是否需要备份
-P 等同于 --partial
--progress 显示备份过程
-z, --compress 对备份的文件在传输时进行压缩处理
--exclude=PATTERN 指定排除不需要传输的文件模式
--include=PATTERN 指定不排除而需要传输的文件模式
--exclude-from=FILE 排除FILE中指定模式的文件
--include-from=FILE 不排除FILE指定模式匹配的文件
--version 打印版本信息
--address 绑定到特定的地址
--config=FILE 指定其他的配置文件，不使用默认的rsyncd.conf文件
--port=PORT 指定其他的rsync服务端口
--blocking-io 对远程shell使用阻塞IO
-stats 给出某些文件的传输状态
--progress 在传输时现实传输过程
--log-format=formAT 指定日志文件格式
--password-file=FILE 从FILE中得到密码
--bwlimit=KBPS 限制I/O带宽，KBytes per second
-h, --help 显示帮助信息


收录于
linux

当前文章被收录于：

linux
12 篇文章 0 人学习
订阅专栏 查看详情
标签
#file #dst #shell #command #cvs
#服务器
uniapp+萤石视频监控实战：解决ezuikit.js真机调试不显示的5个关键步骤 本文针对Uniapp集成萤石视频监控时ezuikit.js在真机调试中黑屏不显示的问题，提供了5个关键解决步骤。核心方案是采用Webview加载独立H5播放页，以规避跨平台环境差异，并详细阐述了资源放置、多端适配、通信处理及系统化排查方法，确保视频流稳定播放。 阅读详情

相关推荐

【智能优化算法】2024年SCI鳗鱼-石斑鱼优化算法(EGO)，含MathType公式、word伪代码、visio流程图、matlab代码等。

该文中包括5个内容：用MathType编辑的公式、伪代码、visio的流程图，matlab代码，PDF论文，拿来直接用，可以帮助科研者省下超多时间。 鳗鱼-石斑鱼优化算法(Eel and grouper optimizer ,EGO)是一种新型的元启发式算法（智能优化算法），灵感来源于海洋生态系统中鳗鱼和石斑鱼的共生作用和觅食策略。该成果由Ali Mohammadzadeh和Seyedali Mirjalili两位作者于2024年6月发表在SCI著名期刊《Cluster Computing》上。

2301_79359347的博客 1042

rsync安装与配置

每个模块其实就对应需要备份的一个目录树，比方说在我们的实例环境中，有三个目录树需要备份：/www/和/mirror/file0/和/mirror/file1/目录，那么就需要在配置文件中定义三个模块，分别对应三个目录树。--password-file = /etc/rsync.scrt来指定密码文件，这里需要注意的是这份密码文件权限属性要设得只有属主可读(权限为600)，属主为正在运行此命令的用户。另外，RPM版的rsync带了一个服务端的启动脚本，/etc/xinetd.d/rsync可以保留。

sun13047140038的博客 5652

飞书组织架构同步至LDAP：实现企业应用统一身份认证的实战指南

本文详细介绍了如何将飞书组织架构同步至LDAP，实现企业应用统一身份认证的实战方案。通过飞书开放平台API与LDAP服务的集成，企业可以大幅减少账号管理工作量，提升IT效率。文章涵盖技术架构设计、密码策略、详细配置步骤及自动化同步实现，特别适合需要统一认证体系的中大型企业。

weixin_29172201的博客 332

rsync简单配置及实现

rsync简单配置

qq_41570012的博客 4494

K型热电偶分度表读取方法

K型热电偶分度表读取方法

guaizaiguaizai的博客 5903

好书分享：Control and Estimation with MATLAB（5th Edition）pdf

基于MATLAB的控制与估计》（第5版）由八章组成，包括控制算法和设计。主要内容包括状态估计和数据平滑、RLS和卡尔曼滤波器状态估计、控制系统设计、自适应控制和PID。书中的概念已经使用MATLAB和Simulink实现。提供了可下载的MATLAB和Simulink文件。适合人群：大学生、研究生、控制类工程研究人员。需要电子版pdf，回复索取。

jixianhu的博客 1510

rsync部署（详细讲解）

rsync：是一个用于在不同系统之间高效同步文件和目录的工具。它是一个强大的命令行工具，广泛用于备份、迁移和分发数据。rsync能够在本地系统内部、本地系统与远程系统之间，以及远程系统之间进行文件同步。

Stars1sea的博客 3066

基于高光谱的物质反演与分类 — 技术文章（原理详解 + 深度代码实现）

高光谱遥感 / 近场光谱采集产生逐像素上百波段的光谱曲线，是物质识别与定量反演（abundance / composition estimation）和语义分类（landcover / material class）的一把利器。本文第一部分对常用模型（线性混合模型、非线性辐射传输、稀疏反演、降维与特征选择、分类器/神经网络）进行数学推导与理论分析；第二部分给出两套完整实现：A. 基于 LMM 的约束最小二乘 / 稀疏反演流水线（含端到端评估）；

VectorShift的博客 220

2024.7.18（RSYNC）

root@aa ~]# rsync -av folder/f1/ folder/f2/ //文件的修改也会被rsync同步。[root@aa ~]# rsync -av --delete folder/f1/ folder/f2/ //f2同步。-rw------- 1 root root 28 7月 18 15:11 /etc/resync.secrets。-rw-r--r-- 1 root root 0 7月 13 00:00 folder/f1/file0。

weixin_70751278的博客 1406

【Proteus仿真】基于74LS148+74LS279+74LS48的四路抢答器

【Proteus仿真】基于74LS148+74LS279+74LS48的四路抢答器

perseverance51博客 8833

【Burp入门第三十七篇】AutoRepeater插件安装使用教程+越权实战案例

AutoRepeater 通过接收满足特定条件的请求，按照预设的基础替换规则对请求进行处理。在接收到匹配请求后，它首先应用基础替换，然后针对每个定义的替换创建请求副本并应用该替换操作，从而实现对不同参数的修改和请求的重复发送，以此来全面检测 Web 应用的授权情况。1、自动化请求重复：能自动复制、修改并重发 HTTP 请求，避免了手动重复操作的繁琐，大大提高了 Web 应用授权测试的效率。2、灵活参数替换：可灵活改变邮箱地址、账号身份、角色、URL 和 CSRF 令牌等关键参数。

等风来 2035

如何在 Linux 上使用 Rsync 同步本地和远程目录

Rsync，即 remote sync 的缩写，是一个文件传输和同步工具，可以在两个目录之间安全地复制和同步文件。其中一个必须是源目录，另一个是目标目录，目标目录也可以是远程的。它使用一种增量传输算法，只发送源文件和目标文件或文件夹之间的差异。因此，它是一个带宽效率高的工具，也是增量数据传输的理想选择。Rsync 是现在由于安全漏洞问题而被弃用的 scp 命令的完美替代品。Rsync 广泛用于异地备份和镜像。默认情况下，rsync 预装在现代 Linux 发行版中，因此不需要安装。

weixin_53510183的博客 3893

OpenCV计算机视觉实战（11）——边缘检测详解

在本节中，我们系统介绍了三大经典边缘检测算子，包括 Sobel 算子：一阶导数平衡了噪声抑制与边缘提取，结合方向信息可用于纹理分析与车道检测；Laplacian 算子：二阶导数对微小亮度突变尤为敏感，配合零交叉和细化技术，可精确捕捉任意方向的细节边缘；Canny 算法：集成多阶段处理与双阈值策略，通过多尺度融合与自适应阈值优化，达到抗噪与细节兼顾的卓越效果。

qq_30167691的博客 4375

rsync拷贝服务器文件夹,通过SSH使用Rsync传输文件，复制和同步文件及目录

在本文中，我们将解释如何通过SSH使用rsync复制文件。当涉及在网络上的系统之间传输文件时，Linux和Unix用户可以使用许多工具，最流行的数据传输协议是SSH和FTP，虽然FTP很受欢迎，但总是喜欢使用SSH，因为它是传输文件最安全的方式。有专门的通过SSH进行文件传输的工具，如scp和sftp，但它们都没有rsync提供的所有功能，rsync可用于镜像数据、增量备份、在系统之间复制文件等。...

weixin_39528000的博客 1785

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

汉书HE8，好用的汇编代码编写工具

汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大

同步工具之-Rsync+Inotify文件夹同步

Rsync Linux之间目录同步 使用rsync 实验环境： (centos 7)一台私网主机IP:10.3.135.34 (centos 7)一台公网主机IP:45.136.184.49 操作步骤 使用Rsync同步；需要同步的两台主机都需要安装Rsync yum -y install Rsync rsync --help -v, --verbose increase verbosity -r, --recursive recurse into dire

qq_43037441的博客 714

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包

rsync 同步文件

rsync 同步文件

小单的博客专栏 6635

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")

rsync 创建目录 同步指定文件_Rsync同步文件时如何排除指定文件夹或多个目录

1. 前言本文主要讲解使用Rsync同步文件时如何排除指定文件夹或多个目录。Rsync是一个快速且通用的命令行实用程序，可以在远程shell上的两个服务器之间同步文件或者文件夹。使用Rsync，您可以镜像数据、创建增量备份并在系统之间复制或同步文件。在复制或同步数据时，您可能希望指定一个或多个文件或目录的名称或位置来排除它们。在本教程中，我们将向您展示如何使用rsync排除指定文件、指定目录、多个...

weixin_39815345的博客 2013

使用 rsync 的 rsync 协议在集群间同步文件

在创建集群时，经常需要同时在多个机器上创建相同的文件，如果手动创建就很麻烦。于是就使用 rsync 工具，在一个机器上创建完成后，将它同步到其他的机器。一般 rsync 使用 ssh 协议，但是需要配置 ssh 服务，创建公钥私钥等，比较麻烦。比如我删除了几个文件，也想要其他主机删除这个文件，那么就添加 delete 参数。b. 同步文件夹 /root/中所有的文件到目标主机 1.1.1.2 /root 目录。a. 只同步/root目录下的某个文件到目标主机 1.1.1.2 /root 目录。

alenliu's blog 947

rsync文件同步

scp做不到保留文件属性，无法只同步差异文件，是一个覆盖行操作 rsync作用: 1、同步文件（只同步有差异的文件列表） 2、异地备份 3、触发型的更新：sersync+rsync 用于 rsync 在远程多台主机间作文件同步 （走的是ssh通道，或者走自己的daemon通道） server1<---------->server2 从server1同步一个文件列表（10个文件）至se...

寻绾的博客 885

rsync同步远程主机目录，并通过md5校验目录

一 rsync ​  rsync全称remote sync，是一种更高效、可以本地或远程同步的命令，之所以高效是因为rsync会对需要同步的源和目的进度行对比，只同步有改变的部分，所以比scp命令更高效，但是rsync本身是一种非加密的传输，可以借助-e选项来设置具备加密功能的承载工具进行加密传输。   工作模式 shell模式，也称作本地模式，用于同步本地的文件或者目录。 rsync ...

baboon_chen 5416

java 调用 rsync_RSYNC实现数据同步

1、本机同步a)本地数据同步的时候，源目录后面的“/”会影响同步的结果b)# rsync -av /dir1/ /dir3　　　　//只同步目录下面的文件到指定的路径c)# rsync -av /dir1 /dir2　　　　//将当前目录dir1和目录下的所有文件一起同步-R：不管加不加“/”，都会将源数据的绝对路径一起同步--delete:删除目标目录里多余的文件[root@jumper-ser...

weixin_39905695的博客 1094

linux-rsync-同步本地文件夹

实验环境：centos-6.5 步骤： 1.安装rsync； yum list rsync yum install rsync 2.创建源目录test，测试文件1.txt，目的目录test1； mkdir test test1 cd test touch 1.txt 3.使用rsync命令进行同步 rsync -av 源目录 目标目录 rsync -av test t

运维狗的备忘录 2万+

Linux rsync 增量同步与快速删除

增量同步 rsync [args] SRC [DEST] 情形：同时维护着两份不同的data_center，但以old_data_center为标准。因为权限的缘故没有开启rsync自动同步，只是每隔一段时间手动同步一下。SRC和DEST都是采用mount形式，如果每一次都完整地copy，耗时很长，这时候就想到采用增量同步的方法，因为两份data_center同时由不同人维护，所以内容略有不同，d...

weixin_30342209的博客 649

rsync 创建目录 同步指定文件_Rsync同步文件时如何排除文件

请关注本头条号，每天坚持更新原创干货技术文章。如需学习视频，请在微信搜索公众号“智传网优”直接开始自助视频学习1. 前言本文主要讲解使用Rsync同步文件时如何排除指定文件夹或多个目录。Rsync是一个快速且通用的命令行实用程序，可以在远程shell上的两个服务器之间同步文件或者文件夹。Rsync同步文件时如何排除指定文件夹或多个目录使用Rsync，您可以镜像数据、创建增量备份并在系统之间复制或同...

weixin_42241165的博客 463

linux cp sync,通过SSH使用Rsync传输文件，复制和同步文件及目录

在本文中，我们将解释如何通过SSH使用rsync复制文件。当涉及在网络上的系统之间传输文件时，Linux和Unix用户可以使用许多工具，最流行的数据传输协议是SSH和FTP，虽然FTP很受欢迎，但总是喜欢使用SSH，因为它是传输文件最安全的方式。有专门的通过SSH进行文件传输的工具，如scp和sftp，但它们都没有rsync提供的所有功能，rsync可用于镜像数据、增量备份、在系统之间复制文件等。...

weixin_42347465的博客 917
上一篇： Python安装MySQLDb模块的相关步骤
下一篇： eclipse 常用插件
点赞 0
评论 0
书签 书签 2
stevenprime
stevenprime
博客等级 码龄15年 7粉丝 40原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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