Linux系统运维/Bash/5-5-数据流重定向

Linux- 深入理解文件描述符:stdout与stderr重定向的底层逻辑 本文深入解析Linux文件描述符的底层机制,重点探讨stdout与stderr重定向的原理与实践技巧。通过实际案例演示如何正确使用重定向操作符、/dev/null设备及管道组合命令,帮助开发者避免常见陷阱并优化日志管理,提升Linux系统运维效率。 阅读详情

什么是数据流重导向

什么是数据流重导向啊?这得要由命令的运行结果谈起!一般来说,如果你要运行一个命令,通常他会是这样的:

standardoutput 与standard error output

简单的说:

标准输出指的是『命令运行所回传的正确的信息』

而标准错误输出可理解为『 命令运行失败后,所回传的错误信息』

1.    标准输入  (stdin) :代码为 0 ,使用< 或 << ;

2.    标准输出  (stdout):代码为 1 ,使用> 或 >> ;

3.    标准错误输出(stderr):代码为 2 ,使用2> 或 2>> ;

1>:以覆盖的方法将『正确的数据』输出到指定的文件或装置上;

1>>:以累加的方法将『正确的数据』输出到指定的文件或装置上;

2>:以覆盖的方法将『错误的数据』输出到指定的文件或装置上;

2>>:以累加的方法将『错误的数据』输出到指定的文件或装置上;

/dev/null垃圾桶黑洞装置与特殊写法

 

standard input : < 与 <<

将原本需要由键盘输入的数据,改由文件内容来取代

利用 cat 命令来创建一个文件的简单流程

[root@www ~]# cat > catfile

testing

cat file test

<==这里按下 [ctrl]+d 来离开

 

[root@www ~]# cat catfile

testing

cat file test

 [root@www ~]# cat > catfile << "eof"

> This is a test.

> OK now stop

> eof  <==输入这关键词,立刻就结束而不需要输入 [ctrl]+d

 

[root@www ~]# cat catfile

This is a test.

OK now stop     <==只有这两行,不会存在关键词那一行!

1.    屏幕输出的信息很重要,而且我们需要将他存下来的时候;

2.    背景运行中的程序,不希望他干扰屏幕正常的输出结果时;

3.    一些系统的例行命令 (例如写在 /etc/crontab 中的文件) 的运行结果,希望他可以存下来时;

4.    一些运行命令的可能已知错误信息时,想以『2> /dev/null 』将他丢掉时;

5.    错误信息与正确信息需要分别输出时。

命令运行的判断依据: ; ,&&, ||

 

cmd; cmd (不考虑命令相关性的连续命令下达)

 [root@www ~]# sync; sync; shutdown -h now

 

$?(命令回传值) 与 && 或 ||

两个 & 之间是没有空格的!那个 | 则是 [Shift]+[\] 的按键结果。

命令下达情况

说明

cmd1 && cmd2

1. 若 cmd1 运行完毕且正确运行($?=0),则开始运行 cmd2。
2. 若 cmd1 运行完毕且为错误 ($?≠0),则 cmd2 不运行。

cmd1 || cmd2

1. 若 cmd1 运行完毕且正确运行($?=0),则 cmd2 不运行。
2. 若 cmd1 运行完毕且为错误 ($?≠0),则开始运行 cmd2。

 

范例三:我不清楚 /tmp/abc 是否存在,但就是要创建 /tmp/abc/hehe 文件

[root@www ~]# ls /tmp/abc || mkdir /tmp/abc && touch /tmp/abc/hehe

整个流程图示如下:



由于命令是一个接着一个去运行的,因此,如果真要使用判断,那么这个 && 与 || 的顺序就不能搞错

command1 && command2 ||command3一般来说, command2 与command3 会放置肯定可以运行成功的命令

 

浅谈Linux部分语法(从基础操作到自动化编程的三个层次) - 命令行语法是单词,让你能发出基本指令。 - 管道与重定向是语法和连词,让你能将单词连成功能强大的复合句。 - Shell脚本是篇章和逻辑,让你能撰写复杂的程序,实现完整的自动化任务。 阅读详情

相关推荐

2025反爬虫革命:京东商品接口的动态指纹认证与量子加密传输方案

在2025年,全球电商API接口面临的安全威胁呈现指数级增长:京东构建了基于硬件、软件、行为三重维度的设备指纹模型:京东构建了基于BB84+E91混合协议的量子密钥中继网络:

FB13713612741的博客 1649

Linux与bash:5.bash讲解

1.bash基本语法 1.变量 命名规则 变量命名只能使用字母数字和下划线,且不能以数字开头 不能使用bash的关键字 定义变量:变量名=值 your_name='ouyi' 注意;bash中严格控制空格,不能多不能少 使用变量:$变量名 echo $your_name 设置只读变量(不能修改删除):readonly 变量名 a='cnm' readonly a 删除变量:unset 变量名 unset your_name 变量类型: 字符串 字符串基本使用 yo

ouyicnm的博客 493

npu-smi info 华为昇腾NPU 状态监控工具解读

用于查询所有设备的基本信息。

Lixora's DB Home 2488

linux bash 5,Linux系统运维/Bash/5-4-Bash操作环境

路径与命令搜寻顺序命令运行的顺序可以这样看:1. 以相对/绝对路径运行命令,例如『 /bin/ls 』或『 ./ls 』;2. 由 alias 找到该命令来运行;3. 由 bash 内建的 (builtin) 命令来运行;透过 $PATH 这个变量的顺序搜寻到的第一个命令来运行。bash 的进站与欢迎信息: /etc/issue, /etc/motd[root@www ~]...

weixin_39562998的博客 320

YOLOv11改进 | 融合改进篇 | 利用尺度统一检测头DynamicHead融合P2增加小目标检测层(让小目标无所遁形)

本文给大家带来的最新改进机制是针对性的改进,针对于小目标检测增加P2层针对于大目标检测增加P6层利用DynamicHead(原版本一比一复现,全网独一份,不同于网上魔改版本)进行检测,其中我们增加P2层其拥有更高的分辨率,这使得模型能够更好地捕捉到小尺寸目标的细节。我们增加P6层是一个较低分辨率但具有更大感受野的特征层。对于大尺寸目标,这意味着模型可以更有效地捕捉到整体的结构信息。在这些的基础上我们配合DynamicHead可以使模型根据不同尺寸的目标动态调整其检测策略,进一步提升模型的精度。

Snu77的博客 3955

1.2、基于卷积神经网络(CNN)的车牌自动识别系统(matlab)

基于卷积神经网络(CNN)的车牌自动识别系统(matlab)

XU157303764的博客 2911

开源数据流处理

随着公司规模增长,他们的工作流更加复杂,包含更多子处理过程以及带有复杂的依赖关系,这将导致更多监控、问题以及运维工作。如果没有一个清晰的数据血缘关系,可能会引起引用链问题和操作元数据丢失。这就是为什么DAGs、数据流和工作流管理器等产生的原因。   复杂的工作流可以通过DAGs来展现。DAGs就是信息沿着指定的方向在不通节点之间传递的一张图,但信息在图中流传不会回到原点。构建DAGs过程的就是数

探索技术世界 1972

华为海思:大小海思的双轮驱动战略分析

大海思的定位清晰明确,即专注于为华为内部提供高性能、高集成度的芯片解决方案,以支持华为终端、服务器等业务的快速发展。小海思的产品线广泛,涵盖了广域物联、短距物联、手机穿戴、显示交互、智慧视觉、智慧媒体、MCU、模拟以及光模块等多个领域。通过提供多样化的芯片解决方案,小海思旨在满足外部客户的不同需求,拓展华为海思在芯片市场的份额和影响力。大海思的产品布局主要围绕华为的内部需求展开。在智能手机应用处理器方面,大海思的麒麟系列芯片已经成为华为手机的标志性产品,以其出色的性能和能效比赢得了市场的广泛认可。

dream it possible 2924

bash5----进阶2 操作字符串

1、命令expr : evaluate expressions(支持模式匹配和字符串操作。字符串表达式的优先级高于数值表达式和逻辑关系表达式。)   SYNOPISIS     expr EXPRESSITONS     expr OPTION   expr ARG1 {+ - * / | & < <= > >= != %} ARG2   e...

donggui8650的博客 264

Oracle EBS 帐套(Ledger/SOB)如何定义会计主体、如何支撑多准则 / 多报告、组织与帐套的绑定关系、以及项目落地时的设计差异。下面从实现逻辑、核心要素、组织模型、多账簿、科目设计、项

本文对比了Oracle EBS R12与SAP S/4HANA在帐套(Ledger)设计上的核心差异。Oracle采用4C架构(科目/币种/日历/准则),帐套作为独立会计主体,主辅账物理隔离;SAP则以公司代码为主体,通过平行分类账在同一凭证中实现多准则核算。关键差异体现在:Oracle强调边界隔离,适合差异大的集团;SAP注重统一视图,适合实时合并需求。实施时需注意:Oracle避免过度建账套,SAP需统筹科目与维度设计。两者分别体现了"盒子"与"滤镜"的设计哲学。

金牌架构师 417

使用linuxdeployqt打包Qt程序问题及解决方法

安装过程中提示缺少依赖multiarch-support: 下载对应依赖包。安装过程中提示缺少libpq.so.5: 下载对应依赖包。下载libmysqlclient18/5.6.25。

weixin_74239923的博客 1059

运维自动化的定义:数据-事件-流程

本文由优云运维社区热心粉丝符杰超整理而成,符杰超,现任熊猫tv基础架构部高级运维开发工程师。全文2000字,阅读预计13分钟,纯干货。 随着互联网发展迅猛,不同的公司IT基础设施面临的增长和快速发展。从人肉维护,建设到半自动,全自动,由此产生的自动化体系/运维工具越来越多,目前大多数运维IT环境架构主要分为3种技术体系:1)开源工具2)自研发工具(更多的...

weixin_34413357的博客 680

Fiori Elements Analytical List Page 标题区配置全攻略:从变体、过滤模式到 UI.KPI 的工程化落地

ALP标题区是Fiori Elements Analytical List Page的核心交互区域,承担变体管理、过滤模式切换、KPI展示等关键功能。本文系统解析了标题区的组成结构、可用能力及工程实现要点,包括:1)标题区包含过滤类型切换、全局KPI、变体管理等交互元素;2)详细说明视觉过滤与紧凑过滤的同步规则及实现方式;3)介绍OData V2下通过UI.KPI注解配置标题区KPI的方法;4)提供manifest.json配置示例和CDS注解写法。文章还对比了V2与V4版本的差异,为ALP开发提供实用指导

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 245

Linux运维入门第三章(3-2):管道与IO重定向——数据流转的底层逻辑,一篇掌握!

摘要:Linux 管道与 IO 重定向 本文系统介绍了 Linux 中数据流控制的核心技术。主要内容包括: 文件描述符:stdin(0)、stdout(1)、stderr(2)三个标准数据流 输出重定向:>覆盖、>>追加、2>错误重定向、&>全部重定向、/dev/null丢弃输出 输入重定向:<文件输入、<<多行输入(Here Document)、<<<字符串输入(Here String) 管道机制:|连接命令,实现数据流转发 实用案例:进程统计、日志过滤、数据排序等管道组合应用 掌握这些技术能有效提升命令

m0_64073888的博客 184

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

linux面试题-----重定向,管道,tee,vim,shell,path,/etc/profile

本文摘要: 本文介绍了Linux系统中I/O重定向的概念,包括标准输入/输出/错误的文件描述符操作和常见符号用法。详细讲解了/dev/null的特殊用途和管道与重定向的区别,以及tee命令的典型应用场景。对vim编辑器的模式操作和shell会话特性进行了说明,并区分了shell变量与环境变量的作用域差异。最后阐述了PATH环境变量的重要作用,以及不同配置文件(/etc/profile、~/.bash_profile、~/.bashrc)在设置环境变量时的区别和使用场景。

m0_73892800的博客 834

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

【Linux系统编程】重定向和缓冲区:fd与重定向、“一切皆文件“和缓冲区机制

重定向到底是怎么实现的?缓冲区又在哪里、为什么存在? 答案就是——修改文件描述符表中的指针指向 + 用户级语言层缓冲区机制!这两者是理解 Shell 工作原理和进程间通信的关键。

分享 AI 时代程序员的进阶之路:大模型应用、AI 编程工具实战,同时沉淀 C / Linux 底层技术笔记。与君共赴,万里征途。 5344

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")

Linux运维(5)

bash的基础特性: globbing :文件名通配 匹配模式:元字符 *:匹配任意长度的任意字符 ?:匹配任意单个字符 【】:指定范围内的任意单个字符 (有几种特殊格式:【a-z】 ,【A-Z】,【0-9】,【a-z0-9】,【【:upper:】】所有大写字母,【【:lower】】所有小写字母) ![截图](attachment:b236b4c25aabc00a19ef9339d7e63fb7) ![截图](att...

zxl的博客 296

Bash脚本进阶:从基础命令到自动化运维实战

Shell脚本作为系统管理和自动化运维的核心工具,其本质是通过命令行解释器执行一系列预定义的操作指令。理解其工作原理需要掌握进程管理、环境变量和输入输出重定向等底层机制。在技术价值层面,Shell脚本能够将重复性操作流程化,显著提升运维效率并减少人为错误。典型的应用场景包括服务器部署、日志分析、批量文件处理和系统监控等任务。本文聚焦于Bash脚本的进阶技巧,通过实战案例演示如何构建健壮的自动化脚本,其中涉及进程替换和信号捕获等关键热词,帮助开发者从简单的命令组合转向工程化的脚本编写。

weixin_30345577的博客 419

Linux必懂知识大总结(补,Linux运维面试自我介绍范文

最近很多小伙伴找我要Linux学习资料,于是我翻箱倒柜,整理了一些优质资源,涵盖视频、电子书、PPT等共享给大家!

2401_84140707的博客 680

玩转 Linux 运维:如何在 Linux Bash Shell 快速,自动备份 MySQL

Linux 系统目前应用非常广泛,如何在 Linux 环境中快速的完成维护工作?而作为 Linux 系统的 Bash,如果你不懂 Bash 是什么,那么其他的东西就不用学了,因为用终端执行命令的方式,就是通过 Bash 的环境处理的,所以它很重要,Bash 的东西很多,包括变量的设置与使用,Bash 操作环境的构建,数据流重定向的功能,还有好用的管道命令。 本 Chat 以 Bash Shell ...

GitChat 423

管道及重定向

一 .管道及重定向 I/O重定向 I/O Input/Output Redirection 标准输入、标准输出、标准错误 输出重定向及综合案例 输入重定向及结合案例 标准输入、标准输出、标准错误 file descriptors (FD,文件描述符 或 Process I/O channels): 进程使用文件描述符来管理打开的文件 [root@localhost ~]# ls /proc/$$/fd 0 1 2 3 4 0, 1, and 2, known as standa

jrrve的博客 355

【Linux从入门到精通】第6篇:管道符、重定向与通配符——命令行效率的核心秘诀

如果说前几篇学习的命令是单个工具,那么管道符、重定向和通配符就是组装这些工具的连接件。本文从标准输入输出的底层概念(0,1,2)讲起,详解输出重定向中>覆盖与>>追加的本质区别,演示如何用管道符|将多个命令串联成数据处理流水线,最后通过实战案例讲解*、?、[]三种通配符的高效用法。掌握这三项技能,你的命令行操作将从“点对点”升级为“流水线作业”,效率提升不止一个量级。

2301_80672009的博客 592

Linux:7 个高频指令精讲 + 重定向从入门到精通

功能:为长命令设置简短别名,提升操作效率。完整语法设置:alias 别名=‘命令 [选项]’(等号前后无空格)查看:alias(列出所有别名)删除:unalias 别名取消所有别名案例# 设置别名:ls -alh → ll(显示隐藏文件+详细列表+人性化大小)[root@VM-0-2-centos ~]$ ll # 直接使用total 40Kdrwx------ 5 whb whb 4.0K Oct 12 15:30 . # 隐藏的当前目录。

wbs_scy的博客 667

《Linux基础入门指令(二)》:从零开始理解Linux系统

本文介绍了Linux系统中6个基础指令(which、alias、man、echo、cp、mv)及重定向的详细用法。首先阐述了Linux指令的本质分为内置指令和外部指令,并讲解了"一切皆文件"的核心思想。重点内容包括:which查找命令路径、alias设置命令别名、man查看手册、echo输出内容、cp复制文件、mv移动文件,以及重定向(< > >>)控制数据流的方法。每个指令都配有实际案例说明,最后提供了Linux高频指令速查表。通过本文可以掌握Linux基础操作

心向往之,行必能至 1391

Linux必懂知识大总结(补)

面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新**

2401_83946570的博客 888

Linux系统运维/Bash/5-6-管道命令

管线命令 (pipe)  [root@www ~]# ls -al /etc | less 这个管线命令『 | 』仅能处理经由前面一个命令传来的正确信息,也就是 standard output 的信息,对于 stdandard error 并没有直接处理的能力。那么整体的管线命令可以使用下图表示: 图 6.1.1、 管线命令的处理示意图 也就是说,管线命

xp_super的专栏 600
上一篇: Linux系统运维/Bash/5-4-Bash操作环境
下一篇: Linux系统运维/Bash/5-6-管道命令
xp_super
博客等级 码龄14年 10粉丝 17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