[批处理教程之Shell]001.文本处理

yangcctv

　　在计算机科学中，Shell俗称壳（用来区别于核），是指“提供使用者使用界面”的软件（命令解析器）。它类似于DOS下的command和后来的cmd.exe。它接收用户命令，然后调用相应的应用程序。
　　同时它又是一种程序设计语言。作为命令语言，它交互式解释和执行用户输入的命令或者自动地解释和执行预先设定好的一连串的命令；作为程序设计语言，它定义了各种变量和参数，并提供了许多在高级语言中才具有的控制结构，包括循环和分支。
　　以Linux Shell为一个契机，SuperDo开始批处理教程。下面记录一下文本处理用到的部分知识，以作备忘。
　　
　　命令索引：

• find 文件查找
  
• grep 文本搜索
  
• sort 排序
  
• uniq 消除重复行
  
• sed 文本替换利器
  
• awk 数据流处理工具
  
• cut 按列切分文本
  
• tr 进行转换
  
• wc 统计行和字符的工具
  
• paste 按列拼接文本
  
• xargs 命令行参数转换
  
• 迭代文件中的行、单词和字符
  

　　
　　
　　Shell常用的处理文本命令：
　　find、grep、sort、uniq、sed、awk、cut、tr、wc、xargs、paste；
建议：
　　对shell脚本使用的原则是命令单行书写，尽量不要超过2行；
　　
　　
　　
　　
Find 文件查找
　　基础操作

• 　　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 -type f  

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：
  

　　寻找大于2k的文件 (单位：k,m,g)

　　  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

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 {} \;

-print的定界符
　　默认使用'\n'作为文件的定界符；
-print0 使用'\0'作为文件的定界符，这样就可以搜索包含空格的文件；
　　
Grep 文本搜索

　　常用命令格式

　　  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(非常有用，大爱命令）：
  

　　  grep "class" . -R -n

• 匹配多个模式
  

　　  grep -e "class" -e "vitural" file

• grep输出以\0作为结尾符的文件名：（-z）
  

　　  grep "test" file* -lZ| xargs -0 rm

　　
Sort 排序

　　常用命令格式
　　字段说明：
-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
eg：

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

　　
Uniq 消除重复行

　　基础操作

• 消除重复行
  

　　  sort unsort.txt | uniq

• 统计各行在文件中出现的次数
  

　　  sort unsort.txt | uniq -c

• 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
　　
Sed 文本替换利器

　　基础操作

• 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；

　　 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

　　
Awk 数据流处理工具

　　命令说明

• awk脚本结构
  

　　 awk ' BEGIN{ statements } statements2 END{ statements } '

• 工作方式
  

• 执行begin中语句块；
  
• 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；
  
• 执行end语句块；
  

　　print操作

• 使用不带参数的print时，会打印当前行;
  

　　 echo -e "line1\nline2" | 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

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

　　
　　命令说明

　　 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

　　
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

　　
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

　　
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 }'

　　
使用循环

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

　　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];}
} '

　　
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

　　
打印指定列

• awk方式实现：
  

　　 ls -lrt | awk '{print $6}'

• cut方式实现
  

　　 ls -lrt | cut -f6

　　
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

　　其他：

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

　　
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

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

　　
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）

　　 cut -c1-5 file // 打印第一到5个字符
cut -c-2 file   // 打印前2个字符

　　
Tr 进行转换

• 通用用法
  

　　 echo 12345 | tr '0-9' '9876543210' //加解密转换，替换对应字符
cat text| tr '\t' ' '  //制表符转空格

• 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 \n'  //删除非数字数据

• 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 ' '

• 字符类
  

　　tr中可用各种字符类：
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
使用方法：tr [:class:] [:class:]

　　 eg: tr '[:lower:]' '[:upper:]'

　　
Wc 统计行和字符的工具

• 统计行数
  

　　 wc -l file

• 统计单词数
  

　　 wc -w file

• 统计字符数
  

　　 wc -c file

　　
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

　　
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；
　　基础操作

• 将多行输出转化为单行输出
  

　　 cat file.txt| xargs
\n 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）
-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

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

　　-0：指定\0为输入定界符

• 统计程序行数
  

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

　　
迭代文件中的行、单词和字符

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}'

　　
迭代一行中的每一个单词

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

　　
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