Linux系统文件常用操作

3、Linux系统文件操作与目录探索全解析 本文详细解析了Linux系统中的文件操作与目录探索方法,包括目录内容查看、工作目录更改、文件类型判断、文本文件内容查看等核心操作。同时介绍了常用命令如ls、cd、file和less的使用技巧,并对Linux系统目录结构进行了全面解析,帮助用户更好地理解和管理Linux系统。 阅读详情

学习Linux系统的第二天

文件内容查看:

  • cat:
    • 作用: 一次性顺序显示文件的所有内容
    • 格式: cat file
  • tac:
    • 作用:一次性倒叙显示文件的所有内容
    • 格式:tac file
  • head:
    • 作用:显示文件开头的若干行内容
    • 格式:head -n file n为要显示的行数
  • tail:
    • 作用:显示文件结尾的若干行内容
    • 格式:tail -n file n为要显示的行数
  • more:
    • 作用:分页显示其他命令执行的结果
    • 格式:其他命令 | more ,如:cat file | more
    • 说明:
      1. 当内容显示一屏时停止
      2. 空格向下翻页(只能向下)
      3. 回车键向下显示一行
      4. q键退出(结束查看)
  • less:
    • 作用:分页显示其他命令执行的结果
    • 格式:其它命令 | less ,如:cat file | less
    • 说明:
      • 与more命令功能相同,多了上下按键上下翻一行
      • more和less的前面可以是很多查询搜索等命令,如:ls、find

文件整体操作

  • touch:
    • 作用:创建普通文件
    • 格式:touch file1 [file2]
  • cp:
    • 作用:拷贝文件
    • 格式:cp 源文件 目标文件
  • rm:
    • 作用:删除文件
    • 格式:rm 文件
  • mv:
    • 作用:移动文件
    • 格式:mv 源文件 目标文件
  • mkdir:
    • 作用:创建目录模式
    • 格式:mkdir dir1 [dir2]
  • rmdir:
    • 作用:删除空的目录
    • 格式:rmdir dir
  • 说明:
    1. 删除文件时会有提示,若不想提示可以添加’-f’ ,列如:rm -f /11(删除/目录下的11 文件,没有系统提示)
    2. 删除或拷贝目录时需要添加参数’-r’,列如:sp -r aa /bb .(将aa文件夹下的bb拷贝到当前目录下)
  • ln:
    • 作用:创建文件链接
    • 格式:ln [-s] 源文件 目标文件
    • 硬链接:不加’-s’选项时,简单理解为一个文件有多个名字
    1. 不占实际空间
    2. 不允许给目录创建
    3. 不能跨文件系统
    • 软连接:添加’-s’选项时,简单理解为一个文件的内容是另一个文件的路劲
    1. 类似于windows的快捷键
    2. 可以对目录创建
    3. 可以跨文件系统

文件搜索定位

  • grep:
    • 作用:General Regular Expression Parser,通过规则表达式分析程序,是一种强大的文本搜索工具,它能使正则表达式搜索文本,并把匹配的行打印出来。
    • 格式:grep [选项] pattern [文件名]
    • 选项:
      • -i : 字母不区分大小写
      • -n :显示行号
    • 说明:
      1. pattern为索要匹配的正则表达式
      2. 要用好grep这个工具,其实就是要写好正则表达式
    • 实列:
       grep ftp /etc/password
       在/etc/passeword文件下查找包含'ftp'字符的行
       grep 'test' d*
       显示所有以d开头的文件中包含'test'的行
       ls /bin | grep '^m'
       通过管道过滤ls /bin输出的内容,只显示以m开头的行
      
  • find:
    ```
    • 作用:最常见和最常用的查找命令,你可以用它找到任何你想找的文件。
    • 格式:find [目录] [条件] [动作]
      • 目录:所要查找的目录及其所有子目录。默认为当前目录。
      • 条件:所要搜索的文件的特征
      • 动作:对搜索结果进行特定处理
    • 选项:
      • -name:指定文件名,可以通过*模糊匹配
      • -type: 指定文件类型(b/c/d/p/l/f)
      • -size: 指定文件大小,单位可以为K/M/G,+表示大于,-表示小于
      • -user: 指定用户
      • -group:指定组
      • -mtime/atime/ctime: 指定修改/访问/创建时间,单位为天,+表示几天前,-表示几天内。
      • -amin/mmin/cmin: 功能同步,单位为分钟
        说明:
      • 如果你要寻找一个普通文件,使用find会是一个不错的主意。由于find在寻找数据的时候相当耗资源,所以没事情不要使用find。
      • 有更棒的指令可以取代,那就是whereis与which
        -whersis:
    • 作用:只能用于程序名的搜索
    • 格式:whereis 命令
    • 实列:whereis grep
    • 结果:
    • grep:     /bin/grep        /user/share/man/man1/grep.1.gz
    • 名称   二进制文件路径   帮助文档文件路劲
  • which:
    • 作用:在$PATH变量指定的路劲中,搜索某个系统命令的位置,并且返回第一个搜索结果。也就是说,使用which命令,就可以看到某个系统命令是否存在,以及执行的到底是哪一个
    • 格式:which 命令
  • PATH:
    • 说明:环境变量,与Windows中(我的电脑>高级系统设置>高级>环境变量>系统变量)的path类似
    • 打印:echo $PATH
    • 导出:
      • 方式1:一次性设置
      • export PATH=$PATH:dir1[:dir2]
      • 方式2:永久性的设置,所有用户有效,需要重启生效或使用source命令将方式1的导出操作添加到文件/etc/profile的末尾
      • 方式3:永久性的设置,只针对一个用户,需要重启生效或使用source命令,优先级高与2将方式1的导出操作添加到文件~/.bashrc的末尾

文件压缩解压

  • gzip:
    • 作用:压缩文件,只能是单个文件,不能是多个,也不能是目录
    • 格式:gzip file
    • 说明:执行命令会生成file.gz,删除原来的file
    • 选项:-d 等价于gunzip
  • gunzip:
    • 作用:解压使用gzip压缩的文件
    • 格式:gunzip file.gz
    • 说明:解压file.gz文件,生成file,删除原来的file.gz
  • bzip2/bunzip2:
    • 说明:
    • 用法与gzip/gunzip相同,只是多了’-k’ 参数,压缩或解压后保留原文件
    • 使用bzip2压缩的文件后缀为bz2,而使用gzip压缩的文件后缀为gz
  • tar
    • 说明:gzip/gunzip/bzip2/bunzip2命令只适用于单个文件,而tar则可以将多个文件或目录进行压缩打包
    • 选项:
      • -c:压缩
      • -x:解压
      • -z:使用gzip
      • -j:使用bzip2
      • -f:指定处理文件
      • -v:显示(压缩解压过程的)详细信息
      • -C:指定解压后存放文件的目录
    • 实列:
      • tar -zcvf 123.tar.gz 1 2 3
      • 使用gzip将1 2 3 压缩成123.tar.gz
      • tar -zxvf 123.tar.gc [-C /tmp]
      • 使用gzip将123.tar.gz解压[至/tmp目录]

文件权限管理

  • chmod:
    • 作用:修改文件的权限
    • 说明:ls -l 中的第一列就是权限相关的信息,下面对其中11个字符进行说明
      • 1:文件类型(b/c/d/l/s/p/-)
      • 2/3/4:文件所有者的都(r)/写(w)执行(x)权限,-表示不具有该权限。
      • 5/6/7:文件所有者所属的组的读/写/执行权限
      • 8/9/10:其他用户的读/写/执行权限
      • 11:.表示启用了selinux,空表示没有开启selinux
    • 参数:
      • r:可读
      • w:可写
      • x:可执行,在Linux系统中没有后缀的概念,文件的类型及权限不以后缀区分
      • +:添加权限
      • -:去掉权限
      • =:设置权限
      • u:用户
      • g:组
      • o:其它
    • 数值表示:
      • Linux中的权限以一组数据来表示,所有者/组/其它的权限分别以3位二进制表示,然后再将其写成8进制OK了,如:755 =>111 101 101,结果就是,所有者拥有读/写/执行权限,同组拥有读/执行权限,其它拥有读/执行权限
      • 实列:
        • chmod +x file 给文件添加可执行权限
        • chmod -w file 去掉文件的可写权限
        • chmod u+x file 给文件的所有者添加可执行权限
        • chmod -g-w file 给文件同组去掉可写权限
        • chmod u=rwx,g=rx,o=rx file 所有者读写执行,同组读写,其它读写
        • chmod 755 file 功能同上
          -umsak:
    • 作用:查看或设置umask的值,umask用来确定创建文件的默认权限
    • 格式:umask [value]
    • 说明:
      • 若后面没有跟值表示查看,后面有值表示设置
      • 创建的普通文件默认没有执行权限
    • 实列:umask 为0022 => 000 010 010
      • 创建的目录文件权限 rwx r-x r-x
      • 创建的普通文件权限 rw- r-- r–
    • 配置:
      • 所有用户:/etc/profile
      • 单个用户:~/.profile或者 ~/.bash_profile
  • lsattr:
    • 作用:查看使用chattr设置的文件属性
    • 格式:lsattr
      -chattr:
    • 作用:修改文件属性,可以提高系统的稳定性
    • 格式:chattr [选项] 文件
    • 选项:i:表示忽略,+表示添加,-表示去掉

学习视频链接

PC 端微信页面拆分及 JavaFx 使用 一、前言 对于一个知识点的学习过程来说,往往使用自己熟悉的工具或方式才更易于上手。因为所有同类型的知识点在抛出复杂的流程拨云见日后,所能得到的几乎都是同样的设计思想和实现理论。 在 Java 语言桌面版开发中,直至目前共提供了三套 UI 开发方式;Awt、Swing、JavaFx,以及一些扩展组件 SWT 等。在这三套 UI 组件中,JavaFx 是最新也是最为好用的,因为他提供了丰富的功能,以及... 阅读详情

相关推荐

爬取国家统计局最近10年年度数据

一、编码流程 1.目标网址:https://data.stats.gov.cn/easyquery.htm?cn=C01 2.编码思路: (1) 解析左侧指标树,实现4级标签定位 (难点:层层嵌套,下一级指标的xpath路径以上一级指标为基础;不是所有二级指标都含有三和四级指标,需要进行判断) (2) 使用selenium webdriver 点选指标,加载出右侧表格数据 (难点:当指标无法在全局页面显示时,需向下拖动滚动条) (3) 解析右侧数据,实现数据存储 3.使用模块: (1) selenium:解

weixin_39645690的博客 4563

Linux文件操作

目录 1.Linux系统中的文件类型: 2.目录和文件的浏览、管理及维护 Linux文件系统的层次结构: 3.文件操作的主要命令: pwd ~ 显示当前目录的绝对路径 ls ~ 列出当前目录或指定目录中的内容 cp ~ 复制文件和目录 mv ~ 移动文件和目录 mkdir ~ 目录创建 touch ~ 创建文件 rm ~ 永久删除文件或目录 删除目录命令rmdir或rm -...

weixin_36670529的博客 2202

多模态论文笔记——BLIP

本文详细介绍这几年AIGC火爆的隐藏功臣,多模态模型:BLIP。

haopinglianlian的博客 2455

Linux——文件操作

1)在Linux下面,一切皆文件,文件=文件内容+文件属性2)在访问文件是,都得先将文件打开,修改文件的本质其实还是通过执行代码的形式修改。3)文件是被进程打开的,一个进程可以打开多个文件,操作系统会将打开的文件进行管理,被打开的文件被加载到内存中,称为内存文件,未被打开的文件存放在磁盘上,称为磁盘文件。本文对进程和文件之间的关系,以及操作系统如何对文件进行管理。

m0_75262940的博客 1845

docker-compose Install OrangeHRM

OrangeHRM是一个全面的人力资源管理HRM) 系统,它包含任何企业所需的所有基本功能。OrangeHRM旨在支持任何规模的团队,包括初创企业、中小企业以及大型跨国组织。

极致,细节 1007

Codex 100个真实案例 - 用AI做英语单词计划学习工具(记忆曲线+测验)

背单词是英语学习的基本功,但市面上的背单词 APP 要么收费、要么广告太多。本案例用 Codex 从零打造一个 **英语单词计划学习工具**,实现 SM-2 间隔重复算法(Anki 的核心算法)、单词本增删改查、多种测验模式(选择题/拼写/听写)、TTS 发音播放,以及学习数据的可视化统计图表。全程用自然语言驱动 Codex,用 Python 写后端逻辑 + 终端 UI,打造你的私人背单词助手!

yueyeguzhuo的专栏 214

Linux基础篇:文件操作

本文介绍了Linux系统常用文件操作命令,分为基础操作、文件权限和高级操作三部分。基础操作包括文件创建(touch)、内容查看(cat)、文件定位(which/type)和查找(find);文件权限部分详解了chmod、umask和chown命令的使用方法;高级操作涵盖文件复制/移动/删除、压缩解压(tar)、文件对比(cmp)、分屏查看(more)等命令。文章还解释了内置命令(如cd)与外部命令的区别,以及批量修改权限等实用技巧,为Linux文件管理提供了全面的操作指南。

2403_84469788的博客 699

HTML音乐爱心3D旋转相册完整源码

HTML音乐爱心3D旋转相册完整源码

LilyCoder的博客 1380

Linux —— 文件操作

本篇博客介绍了Linux系统级别的文件操作接口,以及介绍了内核是如何管理文件的,以及感性的介绍了虚拟文件系统。全程没有废话,文字即答案。

weixin_59913110的博客 3336

UG\NX二次开发 判断对象是虚线还是实线

网友提问“怎么区分虚线实线”,这个可以通过函数判断。

王牌飞行员_里海的博客 359

SerDes系列之FFE均衡技术

FFE的基本结构可以在RX侧或TX侧实现,其基本工作原理相同:它通过从同一信号源应用适当的延迟来产生多径信号,然后对它们进行线性缩放和组合以消除信道ISI。

一只豌豆象的博客 4255

【Linux】 - Linux中的文件操作

item是一个或多个文件(或目录)的名称。item表示文件或目录。ls 路径1 路径2。

1+1=王的博客 7696

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

python编写系统目录_python 常用对linux系统文件及目录的操作

目录1、取得当前目录——os.getcwd()>>> import os>>> s=os.getcwd()#获得当前运行脚本所在目录>>> s'C:\\Python27'比如运行test.py,那么输入该命令就会返回脚本所在的文件夹位置。例如将test.py放入A文件夹。并且希望不管将A文件夹放在硬盘的哪个位置,都可以在A文件夹内生成一个新文件...

weixin_28724661的博客 429

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")

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

Linux系统文件操作常用命令

Linux系统文件操作常用命令 注: ·Linux 命令及其参数严格区分大小写 ·Linux文件名严格区分大小写 ls命令 显示指定目录下文件目录清单 ls [root@localhost usr]# ls bin etc games include lib lib64 libexec local sbin share src tmp wanghao wanghao_c...

qq_39713099的博客 221

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

Linux系统文件目录操作的12个常用命令

1,《你一定要知道的关于Linux文件目录操作的12个常用命令》是楼主收集的关于Linux文件目录操作最常用的命令,包括文件或目录的新建、拷贝、移动、删除、查看等,是开发人员操作Linux系统的常用命令,所以你一定要知道。 2,《你一定要知道的关于Linux文件目录操作的12个常用命令》适合初学者,对于Linux大神的请绕过,不过欢迎一起讨论学习! 3,此次收集,多谢来自http://www....

qq_22313207的博客 358

python 常用对linux系统文件及目录的操作

目录 1、取得当前目录——os.getcwd() >>> import os >>> s=os.getcwd()#获得当前运行脚本所在目录 >>> s 'C:\\Python27' 比如运行test.py,那么输入该命令就会返回脚本所在的文件夹位置。 例如将test.py放入A文件夹。并且希望不管将A文件夹放...

ddo99962的博客 311

linux打开python文件夹_python 常用对linux系统文件及目录的操作

目录1、取得当前目录——os.getcwd()>>> import os>>> s=os.getcwd()#获得当前运行脚本所在目录>>> s'C:\\Python27'比如运行test.py,那么输入该命令就会返回脚本所在的文件夹位置。例如将test.py放入A文件夹。并且希望不管将A文件夹放在硬盘的哪个位置,都可以在A文件夹内生成一个新文件...

weixin_39994296的博客 1880

Linux系统基础-Linux系统文件操作常用命令

touch:创建空文件或修改文件时间,命令所有路径:/bin/touch/,命令权限:所有用户,注意:touch也称为触摸,要是文件不存在,建立新文件。要是存在,会修改文件的最后修改时间 rm :删除文件,命令所在路径:/bin/rm/,命令权限:所有用户。选项:-r :递归,删除目录-f :强制 cat :查看文件内容,从头到尾。命令所在路径:/bin/cat/,命令权限:所有用户,选...

weixin_34024034的博客 80

linux系统文件编辑文件命令是什么,Linux 系统文本编辑器vi常用命令详解(操作演示)...

引言:在Linux中我们常用的文本编辑器有vi、vim(vi的增强版本)。而且vi编辑器不仅仅是适用于Linux,它是所有Unix以及Linux系统下的标准编辑器,几乎适用于Unix、Linux系统的所有版本。vi或vim虽然没有图形界面编辑器那样点鼠标的简单操作,但vi编辑器在系统管理、服务器管理字符界面中,永远不是图形界面的编辑器能比的。它能轻易地创建和修改文本文件,维护Linux系统中的配置...

weixin_42607969的博客 766

【无标题】kali linux day1

linux常用文件说明。系统文件更新常用命令。

Build20的博客 118

Linux 虚拟机常用操作命令

该文章是作者本人为了方便记忆用来自用的,其中内容皆借鉴于这篇Linux 常用操作命令大全(最后更新时间:2024年1月)文章。

weixin_70171141的博客 2909

Linux常用操作指令1、目录操作指令

Linux常用操作指令-目录操作指令

清晨的博客 5461

Linux系统文件操作命令详细介绍

以下是。

学不可以已,活到老,学到老。 881

Linux基础操作

Linux系统基础操作

2401_86355190的博客 415

Linux常用命令

Linux常用命令

baidu_35160588的博客 2179
上一篇: Linux 系统基本命令以及vim的基本操作
下一篇: Linux忘记Root密码怎么找回
Tried ? ?
博客等级 码龄7年 17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