shell文本处理工具之综合

Shell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；

一、find 文件查找

1.1 常规查找

• 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 
  

1.2 定制搜索

• 按类型搜索：

  find ./ -type d -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 -type f -print
  

• 按大小搜索：
  w字 k M G
  寻找大于2k的文件

  find . -type f -size +2k
  

  按权限查找：

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

  按用户查找：

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

1.3 找到后的后续动作

• 删除：
  删除当前目录下所有的swp文件：

  find . -type f -name "*.swp" -delete
  

• 执行动作（强大的exec）

  find . -type f -user root -exec chown 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 . -type f -mtime +10 -name "*.txt" -exec cp {} 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 {} ;
  

1.4 -print的定界符

默认使用’ ’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；

二、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
  

三、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
  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 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：

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

-0：指定为输入定界符
eg：统计程序行数

find source_dir/ -type f -name "*.cpp" -print0 |xargs -0 wc -l

四、sort 排序

字段说明：

eg：-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

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

五、uniq 消除重复行

5.1 消除重复行

  sort unsort.txt | uniq 

5.2 统计各行在文件中出现的次数

  sort unsort.txt | uniq -c

5.3 找出重复行

  sort unsort.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

六、用tr进行转换

6.1 通用用法

echo 12345 | tr '0-9' '9876543210' 	//加解密转换，替换对应字符
cat text| tr '	' ' '  							//制表符转空格

6.2 tr删除字符

cat file | tr -d '0-9' // 删除所有数字

-c 求补集

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

6.3 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

cat file | tr -s ' '

6.4 字符类

tr中可用各种字符类：

使用方法：tr [:class:] [:class:]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

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

七、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
  

八、paste 按列拼接文本

将两个文本按列拼接到一起;

cat file1
1
2

cat file2
colin
book

paste file1 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

九、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

十、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.

  echo this 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}/&//g' file
  

十一、awk 数据流处理工具

11.1 awk脚本

• 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；

11.2 print 打印当前行

• 使用不带参数的print时，会打印当前行;

  echo -e "line1
  line2" | 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
  

11.3 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 f3
 line2 
 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 "1
   2
   3
   4
  " | awk 'BEGIN{num = 0 ;
  print "begin";} {sum += $1;} END {print "=="; print sum }'
  

11.4 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

11.5 用样式对awk处理的行进行过滤

awk 'NR < 5' 										#行号小于5
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

11.6 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

11.7 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 }' 

11.8 在awk中使用循环

for(i=0;i<10;i++){print $i;}
for(i in array){print array[i];}

eg:
以逆序的形式打印行：(tac命令的实现）

seq 9| 
awk '{lifo[NR] = $0; lno=NR} 
END{ for(;lno>-1;lno--){print lifo[lno];}
} '

11.9 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
  

11.10 打印指定列

• awk方式实现：

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

• cut方式实现

  ls -lrt | cut -f6
  

11.11 打印指定文本区域

• 确定行号

  seq 100| 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:

  seq 100 | awk '/13/,/15/'
  cat /etc/passwd| awk '/mai.*mail/,/news.*news/'
  

11.12 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：

seq 10 | awk '{printf "->%4s
", $1}'

十二、迭代文件中的行、单词和字符

12.1 迭代文件中的每一行

• while 循环法

  while read line;
  do
  echo $line;
  done < file.txt
  改成子shell:
  cat file.txt | (while read line;do echo $line;done)
  

• awk法：

  cat file.txt| awk '{print}'
  

12.2 迭代一行中的每一个单词

for word in $line;
do 
echo $word;
done

12.3 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