在Linux最常用的文件生成和切片工具是dd，它功能比较全面，但无法以行为单位提取文件数据，也无法直接将文件按大小或行数进行均分(除非借助循环)。另两款数据分割工具split和csplit能够比较轻松地实现这些需求。csplit是split的升级版。
在处理很大的文件时，一个非常高效的思路是将大文件切割成多个小文件片段，然后再通过多个进程/线程对各个小文件进行操作，最后合并总数居。就像sort命令，它在实现排序时，底层算法就涉及到了将一个大文件切割成多个临时小文件。
dd命令
从if指定的文件读取数据，写入到of指定的文件。使用bs指定读取和写入的块大小，使用count指定读取和写入的数据块数量，bs和count相乘就是文件总大小。可以指定skip忽略读取if指定文件的前多少个块，seek指定写入到of指定文件时忽略前多少个块。
[root@master nginx]# dd if=/dev/zero of=/tmp/abc.1 bs=1M count=20 [root@master nginx]# ls /tmp/abc.1 -lh -rw-r--r-- 1 root root 20M 11月 29 16:45 /tmp/abc.1
if是input file，of是output file；bs有c(1byte)、w(2bytes)、b(512bytes)、kB(1000bytes)、K(1024bytes)、MB(1000)、M(1024)和GB、G等几种单位。因此，不要随意在单位后加上字母B。
现有文件access.log.bak的大小271M，需要将其切分后还原，切分的第一个小文件大小为20M。
[root@master ~]# dd if=/root/access.log.bak of=/root/access.txt bs=1M count=20 记录了20+0 的读入 记录了20+0 的写出 20971520字节(21 MB)已复制，0.651758 秒，32.2 MB/秒 [root@master ~]# ls -lh access.txt -rw-r--r-- 1 root root 20M 11月 29 16:49 access.txt
生成第二个小文件，由于第二个小文件不知道具体大小，所以不指定count选项。由于第二个小文件要从第20M处开始切分，于是需要忽略access.log.bak的前20M。假设bs=1M，于是skip掉的数据块数量为20。
[root@master ~]# dd if=/root/access.log.bak of=/root/access1.txt bs=1M skip=20 记录了250+1 的读入 记录了250+1 的写出 263095966字节(263 MB)已复制，10.0785 秒，26.1 MB/秒 [root@master ~]# ls access1.txt -lh -rw-r--r-- 1 root root 251M 11月 29 16:54 access1.txt
split命令
split工具的功能是将文件切分为多个小文件。既然要生成多个小文件，必然要指定切分文件的单位，支持按行切分以及按文件大小切分，另外还需解决小文件命名的问题。例如，文件名前缀、后缀。如果未明确指定前缀，则默认的前缀为"x"。
以下是命令的语法说明：
split [OPTION]... [INPUT [PREFIX]] -a N：生成长度为N的后缀，默认N=2 -b N：每个小文件的N，即按文件大小切分文件。支持K,M,G,T(换算单位1024)或KB,MB,GB(换算单位1000)等，默认单位为字节 -l N：每个小文件中有N行，即按行切分文件 -d N：指定生成数值格式的后缀替代默认的字母后缀，数值从N开始，默认为0。例如两位长度的后缀01/02/03 --additional-suffix=string：为每个小文件追加额外的后缀，例如加上".log"。有些老版本不支持该选项，在CentOS 7.2上已支持。 -n CHUNKS：将文件按照指定的CHUNKS方式进行分割。CHUNKS的有效形式有(具体用法见后文)：N、l/N、l/K/N、K/N、r/N、r/K/N --filter CMD：不再直接切割输出到文件，而是切割后作为管道的输入，通过管道将切割的数据传递给CMD执行。如果需要指定文件，则split自动使用$FILE变量。见后文示例 INPUT：指定待切分的输入文件，如要切分标准输入，则使用"-" PREFIX：指定小文件的前缀，如果未指定，则默认为"x"
基本用法
例如，将/etc/fstab按行切分，每5行切分一次，并指定小文件的前缀为"fs_"，后缀为数值后缀，且后缀长度为2。
[root@master nginx]# split -l 5 -d -a 2 /etc/fstab fs_ [root@master nginx]# ls fs* -lh -rw-r--r-- 1 root root 68 11月 29 17:01 fs_00 -rw-r--r-- 1 root root 321 11月 29 17:01 fs_01 -rw-r--r-- 1 root root 76 11月 29 17:01 fs_02
[root@master nginx]# wc -l fs_00
5 fs_00
[root@master nginx]# cat fs_0[0-2] > fstab.bak [root@master nginx]# cat fstab.bak # # /etc/fstab # Created by anaconda on Thu Aug 15 22:24:09 2019 # # Accessible filesystems, by reference, are maintained under '/dev/disk' # See man pages fstab(5), findfs(8), mount(8) and/or blkid(8) for more info # /dev/mapper/centos-root / xfs defaults 0 0 UUID=dad1d5b9-e717-4e2f-b8f5-1ed587cabf91 /boot xfs defaults 0 0 /dev/mapper/centos-swap swap swap defaults 0 0
[root@master nginx]# md5sum fstab.bak /etc/fstab
f814419cfabc31ec2c045abfd74bf36a fstab.bak
f814419cfabc31ec2c045abfd74bf36a /etc/fstab
还可以将标准输入的数据进行切分，并分别写入到小文件中。例如：
[root@master nginx]# seq 1 2 15 | split -l 3 -d - new_ [root@master nginx]# ls -l new_* -rw-r--r-- 1 root root 6 11月 29 17:08 new_00 -rw-r--r-- 1 root root 7 11月 29 17:08 new_01 -rw-r--r-- 1 root root 6 11月 29 17:08 new_02
按CHUNKS进行分割
split的"-n"选项是按照CHUNK的方式进行文件切割：
'-e' 当使用-n时，不要生成空文件。例如5行数据，却要求按行切割成100个文件，显然第5个文件之后都是空文件
'-u --unbuffered' 当使用-n的r模式时，不要缓冲input，每读一行就立即拷贝给输出，所以该选项可能会比较慢
'-n CHUNKS'
'--number=CHUNKS'
Split INPUT to CHUNKS output files where CHUNKS may be:
N 根据文件大小均分为N个文件(最后一个文件可能大小不均)
K/N 输出(打印到屏幕、标准输出)N个文件中的第K个文件内容(不是切割后再找到这个文件进行输出，而是切割到这个文件时立即输出)
l/N 按行的方式均分为N个文件(最后一个文件可能行数不均)
l/K/N 按l/N切割的同时，输出属于第K个文件的内容
r/N 类似于l的形式，但对行进行轮询方式切割。例如第一行到第一个文件，第二行到第二个文件
r/K/N 按照r/N切割时，输出第K个文件的内容
其中大写字母K和N是我们按需指定的数值，l或r是代表模式的字母
可能不是很好理解，给几个示例就很清晰了。
假如文件1.txt中有a-z，每个字母占一行，共26行。将这个文件进行切割：
1.指定CHUNK=N或K/N时
将1.txt均分为5个文件。由于1.txt共52字节(每行中，字母一个字节，换行符一个字节)，所以分割后每个文件10字节，最后一个文件12字节。
[root@master nginx]# dd if=/dev/zero of=1.txt bs=1K count=52 记录了52+0 的读入 记录了52+0 的写出 53248字节(53 kB)已复制，0.00223804 秒，23.8 MB/秒 [root@master nginx]# ls -l 1.txt -h -rw-r--r-- 1 root root 52K 11月 29 17:12 1.txt [root@master nginx]# split -n 5 1.txt fs_ [root@master nginx]# ls fs_* -lh -rw-r--r-- 1 root root 11K 11月 29 17:14 fs_aa -rw-r--r-- 1 root root 11K 11月 29 17:14 fs_ab -rw-r--r-- 1 root root 11K 11月 29 17:14 fs_ac -rw-r--r-- 1 root root 11K 11月 29 17:14 fs_ad -rw-r--r-- 1 root root 11K 11月 29 17:14 fs_ae
如果再指定K/N的K，例如指定为1，则输出属于fs_ab文件中的内容：
[root@master nginx]# split -n l/5 1.txt fs [root@master nginx]# ls -l fs* -rw-r--r-- 1 root root 53248 11月 29 17:16 fs_aa -rw-r--r-- 1 root root 0 11月 29 17:16 fs_ab -rw-r--r-- 1 root root 0 11月 29 17:16 fs_ac -rw-r--r-- 1 root root 0 11月 29 17:16 fs_ad -rw-r--r-- 1 root root 0 11月 29 17:16 fs_ae
csplit命令
split只能按行或按照大小进行切分，无法按段落切分。csplit是split的变体，功能更多，它主要是按指定上下文按段落分割文件。
csplit [OPTION]... FILE PATTERN... 描述：按照PATTERN将文件切分为"xx00","xx01", ...，并在标准输出中输出每个小文件的字节数。 选项说明： -b FORMAT：指定文件后缀格式，格式为printf的格式，默认为%02d。表示后缀以2位数值，且不足处以0填充。 -f PREFIX：指定前缀，不指定是默认为"xx"。 -k：用于突发情况。表示即使发生了错误，也不删除已经分割完成的小文件。 -m：明确禁止文件的行去匹配PATTERN。 -s：(silent)不打印小文件的文件大小。 -z：如果切分后的小文件中有空文件，则删除它们。 FILE：待切分的文件，如果要切分标准输入数据，则使用"-"。 PATTERNs： INTEGER ：数值，假如为N，表示拷贝1到N-1行的内容到一个小文件中，其余内容到另一个小文件中。 /REGEXP/[OFFSET]：从匹配到的行开始按照偏移量拷贝指定行数的内容到小文件中。 ：其中OFFSET的格式为"+N"或"-N"，表示向后和向前拷贝N行 %REGEXP%[OFFSET]：匹配到的行被忽略。 {INTEGER} ：假如值为N，表示重复N此前一个模式匹配。 {*} ：表示一直匹配到文件结尾才停止匹配。
[root@master nginx]# cat test.txt SERVER-1 [connection] 192.168.0.1 success [connection] 192.168.0.2 failed [disconnect] 192.168.0.3 pending [connection] 192.168.0.4 success SERVER-2 [connection] 192.168.0.1 failed [connection] 192.168.0.2 failed [disconnect] 192.168.0.3 success [CONNECTION] 192.168.0.4 pending SERVER-3 [connection] 192.168.0.1 pending [connection] 192.168.0.2 pending [disconnect] 192.168.0.3 pending [connection] 192.168.0.4 failed
假设每个SERVER-n表示一个段落，于是要按照段落切分该文件，使用以下语句：
[root@master nginx]# csplit -f test_ -b %04d.log test.txt /SERVER/ {*}
0
140
139
140
[root@master nginx]# ls
1.txt access.log test_0000.log test_0001.log test_0002.log test_0003.log test.txt
"-f test_" 指定小文件前缀为"test_"， "-b %04d.log" 指定文件后缀格式"00xx.log"，它自动为每个小文件追加额外的后缀".log"， "/SERVER/" 表示匹配的模式，每匹配到一次，就生成一个小文件，且匹配到的行是该小文件中的内容， "{*}" 表示无限匹配前一个模式即/SERVER/直到文件结尾，假如不知道{*}或指定为{1}，将匹配一次成功后就不再匹配。
上面的文件中虽然只有三个段落：SERVER-1，SERVER-2，SERVER-3，但切分的结果生成了4个小文件，并且注意到第一个小文件大小为0字节。为什么会如此？因为在模式匹配的时候，每匹配到一行，这一行就作为下一个小文件的起始行。由于此文件第一行"SERVER-1"就被/SERVER/匹配到了，因此这一行是作为下一个小文件的内容，在此小文件之前还自动生成一个空文件。
生成的空文件可以使用"-z"选项来删除。
[root@master nginx]# csplit -f test1_ -z -b %04d.log test.txt /SERVER/ {*}
140
139
140
[root@master nginx]# ls test[0-9]* -l
-rw-r--r-- 1 root root 140 11月 29 17:25 test1_0000.log
-rw-r--r-- 1 root root 139 11月 29 17:25 test1_0001.log
-rw-r--r-- 1 root root 140 11月 29 17:25 test1_0002.log
还可以指定只拷贝匹配到的行偏移数量。例如，匹配到行时，只拷贝它后面的1行(包括它自身共两行)，但多余的行将放入下一个小文件中。
[root@master nginx]# csplit -f test2_ -z -b %04d.log test.txt /SERVER/+2 {*} 42 139 140 98 [root@master nginx]# ls test[0-9]* -l -rw-r--r-- 1 root root 42 11月 29 17:27 test2_0000.log -rw-r--r-- 1 root root 139 11月 29 17:27 test2_0001.log -rw-r--r-- 1 root root 140 11月 29 17:27 test2_0002.log -rw-r--r-- 1 root root 98 11月 29 17:27 test2_0003.log
第一个小文件只有两行。
[root@master nginx]# cat test2_0000.log SERVER-1 [connection] 192.168.0.1 success
SERVER-1段落的其余内容放入到了第二个小文件中。
[root@master nginx]# cat test2_0001.log [connection] 192.168.0.2 failed [disconnect] 192.168.0.3 pending [connection] 192.168.0.4 success SERVER-2 [connection] 192.168.0.1 failed
同理第三个小文件也一样，直到最后一个小文件中存放剩余所有无法匹配的内容。
[root@master nginx]# cat test2_0003.log [connection] 192.168.0.2 pending [disconnect] 192.168.0.3 pending [connection] 192.168.0.4 failed
指定"-s"或"-q"选项以静默模式运行，将不会输出小文件的大小信息。
[root@master nginx]# csplit -q -f test3_ -z -b %04d.log test.txt /SERVER/+2 {*} [root@master nginx]# ls 1.txt access.log test3_0000.log test3_0001.log test3_0002.log test3_0003.log test.txt